| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·研究背景及研究意义 | 第9-11页 |
| ·高光谱图像数据特点 | 第11-12页 |
| ·国内外现状 | 第12-14页 |
| ·本文的研究内容 | 第14页 |
| ·论文的结构安排 | 第14-17页 |
| 2 高光谱数据特征提取算法研究 | 第17-33页 |
| ·引言 | 第17-18页 |
| ·线性特征提取算法 | 第18-20页 |
| ·主成分分析(PCA) | 第18-19页 |
| ·线性判别分析(LDA) | 第19页 |
| ·其他算法 | 第19-20页 |
| ·无监督流形学习算法 | 第20-24页 |
| ·局部线性嵌入(LLE) | 第20-21页 |
| ·等距映射算法(ISOMAP) | 第21-23页 |
| ·拉普拉斯特征映射算法(LE) | 第23-24页 |
| ·其他算法 | 第24页 |
| ·监督流形学习算法 | 第24-27页 |
| ·边际费希尔分析算法(MFA) | 第24-26页 |
| ·其他算法 | 第26-27页 |
| ·半监督流形学习算法 | 第27-28页 |
| ·实验分析 | 第28-32页 |
| ·人工数据集 | 第28-29页 |
| ·高光谱数据集 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 3 高光谱图像数据分类算法研究 | 第33-53页 |
| ·高光谱图像数据分类算法 | 第33-41页 |
| ·最大似然分类 | 第33-34页 |
| ·神经网络算法 | 第34-36页 |
| ·支持向量机(SVM) | 第36-38页 |
| ·k 最近邻(kNN) | 第38-39页 |
| ·kNNS 算法 | 第39-41页 |
| ·其他算法 | 第41页 |
| ·分类精度验证指标 | 第41-43页 |
| ·生产者精度(Producer Accuracy) | 第42页 |
| ·使用者精度(User Accuracy) | 第42-43页 |
| ·总体精度(Overall Accuracy) | 第43页 |
| ·Kappa 系数(Kappa Coefficient) | 第43页 |
| ·实验分析 | 第43-51页 |
| ·Urban 数据集 | 第44-47页 |
| ·Washington 数据集 | 第47-49页 |
| ·Indian Pine 数据集 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 4 多流形学习算法的研究 | 第53-67页 |
| ·多流形学习算法 | 第53-56页 |
| ·多流形学习框架 | 第54页 |
| ·线性局部与全局保持嵌入算法(LLGPE) | 第54-56页 |
| ·重构误差分类器 | 第56-57页 |
| ·流形本质维数的选择 | 第57-61页 |
| ·遗传算法概述 | 第57-60页 |
| ·遗传算法的构成要素 | 第60页 |
| ·遗传算法在维数选择中的应用 | 第60-61页 |
| ·算法步骤 | 第61页 |
| ·实验分析 | 第61-65页 |
| ·本章小结 | 第65-67页 |
| 5 总结与展望 | 第67-69页 |
| ·研究工作总结 | 第67-68页 |
| ·研究工作展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录 | 第77页 |
| A. 攻读硕士学位期间发表的论文目录 | 第77页 |
| B. 攻读硕士学位期间的研究成果 | 第77页 |
| C. 参与项目情况 | 第77页 |