| 摘要 | 第1-10页 |
| Abstract | 第10-15页 |
| 第一章 绪论 | 第15-35页 |
| 第一节 选题依据、目的与意义 | 第15-18页 |
| 一、选题依据 | 第15-17页 |
| 二、选题目的 | 第17-18页 |
| 三、选题意义 | 第18页 |
| 第二节 国内外研究进展 | 第18-30页 |
| 一、土地覆盖定义及研究现状 | 第18-21页 |
| 二、支持向量机遥感分类研究进展 | 第21-25页 |
| 三、半监督学习理论及研究进展 | 第25-27页 |
| 四、集成学习理论及研究进展 | 第27-30页 |
| 第三节 研究内容、技术路线和创新点 | 第30-35页 |
| 一、研究内容 | 第30-31页 |
| 二、技术路线 | 第31-34页 |
| 三、创新点 | 第34-35页 |
| 第二章 研究区位置及遥感影像数据集 | 第35-45页 |
| 第一节 研究区位置及遥感影像集 | 第35-37页 |
| 一、研究区位置 | 第35页 |
| 二、研究区影像集 | 第35-36页 |
| 三、分类体系的建立 | 第36-37页 |
| 第二节 遥感影像数字集 | 第37-43页 |
| 一、样本采集 | 第37-39页 |
| 二、特征选取 | 第39-43页 |
| 本章小结 | 第43-45页 |
| 第三章 支持向量机参数优化方法研究 | 第45-63页 |
| 第一节 支持向量机理论及参数优化算法研究进展 | 第45-50页 |
| 一、支持向量机理论 | 第45-48页 |
| 二、支持向量机参数优化方法研究进展 | 第48-50页 |
| 第二节 基于自适应变异粒子群参数优化的土地覆盖分类模型 | 第50-56页 |
| 一、传统粒子群算法（PSO） | 第51页 |
| 二、自适应变异粒子群优化算法（AMPSO） | 第51-54页 |
| 三、土地覆盖分类模型构建 | 第54-56页 |
| 第三节 实验结果与分析 | 第56-62页 |
| 一、实验影像选取 | 第56-57页 |
| 二、特征选取及样本集表示 | 第57-58页 |
| 三、核函数的选取 | 第58页 |
| 四、实验参数及精度评价指标 | 第58-59页 |
| 五、实验结果与比较 | 第59-62页 |
| 本章小结 | 第62-63页 |
| 第四章 基于模糊聚类的半监督支持向量机土地覆盖分类方法研究 | 第63-85页 |
| 第一节 自训练半监督学习 | 第63-66页 |
| 一、无标签样本的重要性 | 第63-64页 |
| 二、自训练半监督算法 | 第64-66页 |
| 第二节 模糊聚类理论 | 第66-72页 |
| 一、聚类的概念 | 第66-67页 |
| 二、常用聚类算法 | 第67-71页 |
| 三、聚类有效性验证 | 第71-72页 |
| 第三节 一种新的自训练半监督支持向量机分类模型构建 | 第72-74页 |
| 一、未标记样本的选择依据 | 第72-73页 |
| 二、基于 GKclust 的自训练半监督支持向量机设计流程 | 第73-74页 |
| 三、基于 GKclust 的自训练半监督支持向量机算法 | 第74页 |
| 第四节 实验结果与分析 | 第74-83页 |
| 一、遥感影像数字化 | 第75-76页 |
| 二、参数设置 | 第76页 |
| 三、模糊聚类算法的比较 | 第76-78页 |
| 四、无标签样本的参与比例 | 第78-81页 |
| 五、土地覆盖遥感图像分类 | 第81-83页 |
| 本章小结 | 第83-85页 |
| 第五章 基于半监督集成支持向量机的土地覆盖分类研究 | 第85-95页 |
| 第一节 集成学习框架 | 第85-88页 |
| 一、个体生成方法 | 第86-87页 |
| 二、结论生成方法 | 第87-88页 |
| 第二节 半监督集成支持向量机的土地覆盖分类模型构建 | 第88-90页 |
| 一、个体生成算法 | 第89-90页 |
| 二、结论生成算法 | 第90页 |
| 第三节 实验结果与分析 | 第90-94页 |
| 一、实验数据 | 第90-91页 |
| 二、结果与精度分析 | 第91-94页 |
| 本章小结 | 第94-95页 |
| 第六章 总结与展望 | 第95-99页 |
| 第一节 研究结论 | 第95-96页 |
| 第二节 论文不足之处 | 第96-97页 |
| 第三节 研究展望 | 第97-99页 |
| 参考文献 | 第99-117页 |
| 攻读博士期间发表论文 | 第117-119页 |
| 致谢 | 第119-120页 |
