首页--工业技术论文--无线电电子学、电信技术论文--雷达论文--雷达设备、雷达站论文--雷达接收设备论文--数据、图像处理及录取论文

基于稀疏图的极化SAR半监督分类

摘要第5-6页
ABSTRACT第6-7页
符号对照表第10-11页
缩略语对照表第11-15页
第一章 绪论第15-19页
    1.1 研究背景第15-16页
    1.2 研究的目的与意义第16页
    1.3 论文的主要工作及章节安排第16-19页
第二章 基于图的半监督分类方法第19-25页
    2.1 半监督学习方法概述第19-20页
    2.2 常见的构图方法第20-21页
        2.2.1 全连接图第20页
        2.2.2 近邻图第20页
        2.2.3 局部线性嵌入图(LLE图)第20-21页
        2.2.4 锚点图第21页
        2.2.5 超图第21页
    2.3 基于图的半监督学习方法第21-24页
        2.3.1 图的最小切算法(Min Cut)第22页
        2.3.2 基于高斯场和调和函数的方法第22-23页
        2.3.3 局部和全局一致性方法第23-24页
        2.3.4 流形正则化方法第24页
    2.4 本章小结第24-25页
第三章 基于拍卖图的快速半监督极化SAR分类第25-41页
    3.1 引言第25页
    3.2 基于拍卖图的快速半监督分类第25-28页
        3.2.1 超像素分割加入空间信息第25-26页
        3.2.2 利用Nystrom方法求取相似近邻矩阵第26页
        3.2.3 利用拍卖算法对相似近邻矩阵进行稀疏第26-27页
        3.2.4 半监督方法进行分类第27-28页
    3.3 时间复杂度分析第28-29页
    3.4 实验结果与分析第29-40页
        3.4.1 仿真极化SAR数据实验第30-31页
        3.4.2 San Francisco地区的AIRSAR数据实验第31-33页
        3.4.3 Oberpfaffenhofen(德国地区)的E-SAR数据实验结果第33-34页
        3.4.4 Flevoland(荷兰地区)的AIRSAR数据实验结果第34-36页
        3.4.5 中国西安地区的Radarsat2数据实验第36-38页
        3.4.6 丹麦Foloum地区的EMISAR第38-39页
        3.4.7 参数K对于分类正确率的影响第39-40页
    3.5 本章小结第40-41页
第四章 基于随机森林构图的半监督极化SAR分类第41-59页
    4.1 引言第41页
    4.2 半监督随机森林第41-45页
        4.2.1 半监督模型第41-42页
        4.2.2 多分类中标签样本和无标签样本margin的定义第42-43页
        4.2.3 退火优化第43-45页
    4.3 基于随机森林构图的半监督分类第45-48页
        4.3.1 决策树训练第45-46页
        4.3.2 决策树构图第46-47页
        4.3.3 半监督方法进行分类第47-48页
    4.4 实验结果与分析第48-57页
        4.4.1 仿真极化SAR数据实验第48-50页
        4.4.2 Oberpfaffenhofen(德国地区)的E-SAR数据实验结果第50-51页
        4.4.3 San Francisco地区的AIRSAR数据实验第51-52页
        4.4.4 Flevoland(荷兰地区)的AIRSAR数据实验第52-54页
        4.4.5 中国西安地区的Radarsat2数据实验第54-56页
        4.4.6 丹麦Foloum地区的EMISAR数据实验第56-57页
    4.5 本章小结第57-59页
第五章 基于空间约束的快速更新图的半监督极化SAR分类第59-71页
    5.1 引言第59-60页
    5.2 基于近邻寻找的图第60页
    5.3 基于空间约束的快速更新图半监督分类第60-62页
        5.3.1 空间信息约束第60-61页
        5.3.2 基于全连接图的快速更新图第61页
        5.3.3 半监督方法进行分类第61-62页
    5.4 时间复杂度分析第62页
    5.5 实验结果与分析第62-69页
        5.5.1 仿真极化SAR数据实验第63-64页
        5.5.2 Oberpfaffenhofen(德国地区)的E-SAR数据实验结果第64-66页
        5.5.3 San Francisco地区的AIRSAR数据实验第66-67页
        5.5.4 Flevoland(荷兰地区)的AIRSAR数据实验第67-69页
    5.6 本章小结第69-71页
第六章 总结与展望第71-73页
    6.1 总结第71页
    6.2 工作展望第71-73页
参考文献第73-77页
致谢第77-79页
作者简介第79-80页

论文共80页,点击 下载论文
上一篇:基于深度增量学习的SAR图像目标分类
下一篇:智能电视台标识别系统的设计与实现