| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景、目的及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 高光谱遥感影像分类方法研究现状 | 第11-12页 |
| 1.2.2 支持向量机研究现状 | 第12-14页 |
| 1.3 主要研究内容及技术路线 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-16页 |
| 1.4 论文章节安排 | 第16-18页 |
| 第二章 高光谱遥感影像分类方法简介 | 第18-22页 |
| 2.1 监督分类方法 | 第18-20页 |
| 2.2 非监督分类方法 | 第20-22页 |
| 第三章 统计学习理论基础和支持向量分类机 | 第22-27页 |
| 3.1 统计学习理论基础 | 第22页 |
| 3.1.1 VC维 | 第22页 |
| 3.2 支持向量分类机 | 第22-23页 |
| 3.3 多分类支持向量机 | 第23-26页 |
| 3.3.1 1-v-R SVM | 第24页 |
| 3.3.2 1-v-1 SVM | 第24-25页 |
| 3.3.3 DAG-SVM | 第25-26页 |
| 3.4 SVM参数对算法分类结果的影响分析 | 第26-27页 |
| 第四章 改进支持向量机算法研究 | 第27-41页 |
| 4.1 SVM参数的优化 | 第27-34页 |
| 4.1.1 层次聚类分析法的概念 | 第27-28页 |
| 4.1.2 层次聚类分析法优化参数的主要步骤 | 第28-29页 |
| 4.1.3 层次聚类分析法优化参数的实现 | 第29-34页 |
| 4.2 支持向量机核函数的选择 | 第34-35页 |
| 4.3 改进支持向量机算法 | 第35页 |
| 4.4 改进支持向量机算法设计 | 第35-41页 |
| 4.4.1 算法运行环境 | 第35页 |
| 4.4.2 算法设计过程 | 第35-41页 |
| 第五章 基于改进SVM的高光谱遥感影像分类方法应用 | 第41-56页 |
| 5.1 实验数据来源 | 第41-42页 |
| 5.1.1 EO-1卫星及其相关数据 | 第41-42页 |
| 5.1.2 实验区概况 | 第42页 |
| 5.2 高光谱遥感影像预处理 | 第42-43页 |
| 5.3 实验结果 | 第43-48页 |
| 5.4 精度分析 | 第48-54页 |
| 5.4.1 HCA-SVM和目前常用支持向量机分类方法精度对比 | 第48-52页 |
| 5.4.2 HCA-SVM和传统分类方法精度对比 | 第52-54页 |
| 5.5 实验结论 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间的研究成果 | 第63-64页 |