| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景 | 第9-12页 |
| ·研究目的及意义 | 第12-14页 |
| ·研究内容与创新 | 第14-15页 |
| ·论文架构与内容安排 | 第15-17页 |
| 第二章 极速学习理论与模型 | 第17-29页 |
| ·极速学习机 | 第17-18页 |
| ·极速学习机性能分析 | 第18-19页 |
| ·核极速学习机 | 第19-24页 |
| ·核极速学习机 | 第19-21页 |
| ·KELM 与 SVM,LS-SVM,PSVM 的关系 | 第21-24页 |
| ·半监督极速学习机 | 第24-26页 |
| ·模糊极速学习机 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于稀疏极速学习机的高光谱数据分类 | 第29-49页 |
| ·稀疏学习 | 第29-30页 |
| ·MMV 模型的优化 | 第30-31页 |
| ·基于稀疏极速学习机的高光谱数据分类算法 | 第31-33页 |
| ·稀疏极速学习机 | 第31-32页 |
| ·基于稀疏极速学习机的高光谱数据分类算法 | 第32-33页 |
| ·稀疏深层极速学习机分类算法 | 第33-36页 |
| ·深度学习理论 | 第33-34页 |
| ·稀疏深层极速学习机 | 第34-36页 |
| ·实验结果与分析 | 第36-48页 |
| ·实验数据介绍 | 第36-39页 |
| ·Indiana 实验 | 第39-43页 |
| ·Salinas 实验 | 第43-46页 |
| ·PaviaU 实验 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于半监督极速学习机的高光谱数据分类 | 第49-65页 |
| ·基于图的半监督分类方法 | 第49-51页 |
| ·Mincut 方法 | 第50页 |
| ·流形正则化（manifold regularization）方法 | 第50页 |
| ·基于高斯场和调和函数的方法 | 第50-51页 |
| ·局部和全局一致性方法 | 第51页 |
| ·聚类假设及修正聚类假设 | 第51-52页 |
| ·基于修正聚类假设的半监督极速学习机 | 第52-53页 |
| ·基于半监督极速学习机的高光谱数据分类算法 | 第53-54页 |
| ·实验结果与分析 | 第54-64页 |
| ·Indiana 实验 | 第55-57页 |
| ·PaviaU 实验 | 第57-60页 |
| ·Salinas 实验 | 第60-63页 |
| ·参数对算法性能的影响 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 基于空-谱贝叶斯极速学习机的高光谱数据分类 | 第65-77页 |
| ·贝叶斯理论 | 第65-67页 |
| ·最大似然估计 | 第65-66页 |
| ·贝叶斯估计 | 第66页 |
| ·贝叶斯学习 | 第66-67页 |
| ·贝叶斯极速学习机 | 第67-69页 |
| ·基于空-谱贝叶斯极速学习机的高光谱数据分类算法 | 第69-70页 |
| ·实验结果与分析 | 第70-75页 |
| ·Indiana 实验 | 第70-72页 |
| ·Salinas 实验 | 第72-73页 |
| ·PaviaU 实验 | 第73-75页 |
| ·本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| ·总结 | 第77-78页 |
| ·展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-89页 |
| 硕士期间成果 | 第89-90页 |
