随机森林及其在遥感图像分类中的应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 遥感图像分类研究现状 | 第9-10页 |
| 1.2.2 随机森林在遥感图像中的研究现状 | 第10-11页 |
| 1.2.3 人工免疫算法 | 第11-12页 |
| 1.2.4 红树林遥感图像分类现状 | 第12页 |
| 1.3 本文的工作与论文内容 | 第12-15页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 本文的组织结构 | 第13-15页 |
| 第2章 遥感数据及其决策特征的选择、分析与评价 | 第15-19页 |
| 2.1 遥感图像数据源 | 第15页 |
| 2.2 决策特征的分析与选择 | 第15-17页 |
| 2.3 训练样本获取与地物类别 | 第17页 |
| 2.4 遥感图像分类结果评价办法 | 第17-19页 |
| 第3章 完全随机的特征选取与组合的随机森林 | 第19-36页 |
| 3.1 随机森林相关理论 | 第19-25页 |
| 3.1.1 决策树简介 | 第19-21页 |
| 3.1.2 随机森林的理论基础 | 第21-24页 |
| 3.1.3 随机森林的优缺点 | 第24-25页 |
| 3.2 完全随机的特征选取与组合的随机森林 | 第25-29页 |
| 3.2.1 算法改进的思想 | 第25-26页 |
| 3.2.2 算法的实现 | 第26-29页 |
| 3.3 算法的实验结果分析 | 第29-35页 |
| 3.3.1 UCI 数据集上的实验分析 | 第29-31页 |
| 3.3.2 算法在遥感图像中的应用分析 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于克隆选择的随机森林优化 | 第36-49页 |
| 4.1 克隆选择算法及其应用 | 第36-37页 |
| 4.2 选择性集成学习 | 第37-38页 |
| 4.2.1 选择性集成学习的思想 | 第37页 |
| 4.2.2 选择性集成学习方法 | 第37-38页 |
| 4.3 选择性随机森林模型分析 | 第38-40页 |
| 4.3.1 问题的分析 | 第38-39页 |
| 4.3.2 集成构成的分析 | 第39-40页 |
| 4.4 基于克隆选择的随机森林优化算法模型 | 第40-44页 |
| 4.4.1 模型的构建 | 第40-41页 |
| 4.4.2 抗体抗原编码 | 第41页 |
| 4.4.3 目标函数度量 | 第41-43页 |
| 4.4.4 算法的实现 | 第43-44页 |
| 4.5 选择性随机森林的实验分析 | 第44-47页 |
| 4.5.1 UCI 数据集上的实验分析 | 第44-46页 |
| 4.5.2 选择性随机森林在遥感图像中的应用 | 第46-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第5章 基于半监督的随机森林 | 第49-57页 |
| 5.1 基于 EM 的半监督随机森林 | 第49-52页 |
| 5.1.1 基于 EM 的半监督随机森林思想框架 | 第50页 |
| 5.1.2 问题分析 | 第50-51页 |
| 5.1.3 算法的实现 | 第51-52页 |
| 5.2 UCI 实验分析 | 第52-54页 |
| 5.3 半监督的随机森林在遥感图像中的应用 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 论文的创新点 | 第57页 |
| 6.2 论文研究工作总结 | 第57页 |
| 6.3 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65页 |
