粗集理论在遥感影像分类中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 引言 | 第12-14页 |
| 1 绪论 | 第14-18页 |
| ·粗集理论研究与应用现状 | 第14页 |
| ·遥感信息处理的粗集途径 | 第14-16页 |
| ·本文研究的主要内容 | 第16-18页 |
| 2 遥感信息系统的不确定性与粗集理论 | 第18-32页 |
| ·不确定性的普遍存在 | 第18-19页 |
| ·遥感信息系统的不确定性 | 第19-21页 |
| ·遥感信息系统不确定性处理的新途径—粗集理论 | 第21-23页 |
| ·粗集理论的知识分类概念 | 第23-25页 |
| ·等价关系、等价类与划分 | 第23-24页 |
| ·知识与知识的分类概念 | 第24-25页 |
| ·粗集理论的不确定性处理机制 | 第25-29页 |
| ·不精确范畴与上下近似集 | 第25-27页 |
| ·近似精度和粗糙隶属函数 | 第27-29页 |
| ·粗集理论的应用模式 | 第29-31页 |
| ·决策分析 | 第29-30页 |
| ·模式识别 | 第30-31页 |
| 本章小结 | 第31-32页 |
| 3 粗集概念下的遥感图像处理技术 | 第32-43页 |
| ·遥感图像的知识系统表达 | 第32-34页 |
| ·基于近似集合概念的遥感图像滤波 | 第34-37页 |
| ·人眼视觉特性和粗集理论相结合的遥感图像增强方法 | 第37-42页 |
| ·基于不可分辨关系的遥感图像子图分割 | 第37-38页 |
| ·人眼视觉特性和粗集理论结合的遥感图像增强 | 第38-42页 |
| 本章小结 | 第42-43页 |
| 4 遥感影像分类知识发现的粗集途径 | 第43-65页 |
| ·遥感影像分类知识发现 | 第43-47页 |
| ·知识发现 | 第44-45页 |
| ·遥感影像分类知识发现的统计模式识别方法 | 第45-46页 |
| ·遥感影像分类知识发现的机器学习方法 | 第46-47页 |
| ·遥感影像分类知识发现的人工神经网络方法 | 第47页 |
| ·遥感影像分类知识发现的信息可视化 | 第47页 |
| ·粗集理论框架下的遥感影像分类知识发现 | 第47-48页 |
| ·遥感影像处理中的决策表知识表达系统 | 第48-49页 |
| ·决策表知识表达系统 | 第48-49页 |
| ·遥感影像的决策表知识表达系统 | 第49页 |
| ·属性的分类能力与近似分类质量度量 | 第49-50页 |
| ·属性依赖性和属性重要性度量 | 第50-51页 |
| ·遥感影像分类特征的离散化 | 第51-55页 |
| ·特征离散化问题描述 | 第51-53页 |
| ·遥感图像知识表达系统的连续特征离散化 | 第53-54页 |
| ·遥感图像知识表达系统的离散特征聚类 | 第54-55页 |
| ·基于改进粗糙熵的离散特征聚类方法 | 第55-58页 |
| ·Zighed准则函数 | 第55-56页 |
| ·信息系统的粗糙熵 | 第56-57页 |
| ·基于改进粗糙熵的离散特征聚类方法 | 第57-58页 |
| ·基于动态层次聚类的连续特征离散化方法 | 第58-64页 |
| 本章小结 | 第64-65页 |
| 5 影像分类知识约简和规则提取 | 第65-85页 |
| ·分类决策规则 | 第65-66页 |
| ·决策规则的形式化描述 | 第65-66页 |
| ·决策规则的协调性 | 第66页 |
| ·分类决策表属性约简 | 第66-72页 |
| ·属性的绝对约简和核 | 第67页 |
| ·属性的相对约简 | 第67-69页 |
| ·属性约简的一般算法 | 第69-70页 |
| ·基于互信息的属性约简算法MIBARK | 第70页 |
| ·基于特征选择的属性约简算法 | 第70-72页 |
| ·分类决策表值约简 | 第72-73页 |
| ·一般值约简算法 | 第72-73页 |
| ·启发式值约简算法 | 第73页 |
| ·基于粗集理论的遥感影像分类器设计 | 第73-75页 |
| ·基于粗集理论的遥感影像分类模型 | 第75-76页 |
| ·试验与分析 | 第76-84页 |
| ·分类规则发现的粗集方法示例 | 第76-81页 |
| ·Iris的遥感数据集分类规则提取试验 | 第81-82页 |
| ·影像分类试验 | 第82-84页 |
| 本章小结 | 第84-85页 |
| 6 粗神经网络与遥感影像分类 | 第85-104页 |
| ·人工神经网络与遥感影像生理认知 | 第85-88页 |
| ·基于粗集的多层感知器及其遥感影像分类应用 | 第88-95页 |
| ·基于知识的多层感知器模型 | 第88-89页 |
| ·基于粗集的多层感知器模型 | 第89-92页 |
| ·基于粗集的多层感知器遥感影像分类模型 | 第92-93页 |
| ·分类实验及分析 | 第93-95页 |
| ·RBF网络的粗糙表示及其遥感影像分类应用 | 第95-102页 |
| ·径向基函数神经网络RBFNN | 第95-96页 |
| ·RBFNN的粗糙表示 | 第96-97页 |
| ·粗糙逻辑进化机制与Rough RBFNN学习 | 第97-98页 |
| ·Rough RBFNN遥感影像分类模型 | 第98-99页 |
| ·分类实验及分析 | 第99-102页 |
| 本章小结 | 第102-104页 |
| 7 遥感影像分类的不确定性评价与表达 | 第104-122页 |
| ·不确定性与数据质量 | 第104-108页 |
| ·遥感分类数据质量 | 第104-105页 |
| ·不确定性的概念与内涵 | 第105-107页 |
| ·不确定性术语与遥感影像分类质量 | 第107-108页 |
| ·基于误差矩阵的分类精度评价方法 | 第108-111页 |
| ·误差矩阵及其精度测量 | 第108-109页 |
| ·误差矩阵精度评价方法存在的问题 | 第109-111页 |
| ·遥感影像分类流程的不确定性分析 | 第111-112页 |
| ·基于粗集理论的遥感影像分类不确定性评价 | 第112-115页 |
| ·分类决策表的不确定性度量 | 第112-113页 |
| ·分类决策规则的不确定性评价 | 第113-114页 |
| ·分类规则匹配的不确定性度量 | 第114-115页 |
| ·分类结果的不确定性度量——粗可靠性 | 第115页 |
| ·分类不确定性的表面模型表达 | 第115-118页 |
| ·试验与分析 | 第118-121页 |
| 本章小结 | 第121-122页 |
| 8 结束语 | 第122-127页 |
| ·本论文主要贡献和创新之处 | 第122-124页 |
| ·结论与建议 | 第124-125页 |
| ·存在有待进一步解决的问题 | 第125-127页 |
| 参考文献 | 第127-136页 |
| 攻读博士学位期间发表的论文 | 第136-137页 |
| 攻读博士学位期间课题研究情况 | 第137-138页 |
| 后记 | 第138页 |
