遥感数据降维方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究意义 | 第11-12页 |
| 1.2 国内外研究现状和存在的问题 | 第12-14页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 存在的问题 | 第14页 |
| 1.3 论文研究内容与技术路线 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15页 |
| 1.4 论文创新之处 | 第15-16页 |
| 1.5 论文组织结构 | 第16-17页 |
| 第二章 流形学习算法及多源遥感数据介绍 | 第17-27页 |
| 2.1 流形学习算法 | 第17-24页 |
| 2.1.1 等距映射 | 第17-18页 |
| 2.1.2 扩散映射 | 第18-21页 |
| 2.1.3 基于t分布的随机邻域嵌入 | 第21-22页 |
| 2.1.4 高斯过程潜在变量模型 | 第22-24页 |
| 2.2 多源遥感数据 | 第24-26页 |
| 2.2.1 研究区概况 | 第24-25页 |
| 2.2.2 光学遥感数据与SAR数据 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 流形学习降维框架构建 | 第27-40页 |
| 3.1 归一化 | 第27页 |
| 3.2 数据采样 | 第27-29页 |
| 3.2.1 局部曲率变化采样 | 第27-28页 |
| 3.2.2 Min-max采样 | 第28-29页 |
| 3.2.3 随机采样 | 第29页 |
| 3.3 流形学习 | 第29-33页 |
| 3.3.1 L1范数改进原理 | 第30-31页 |
| 3.3.2 基于L1范数邻域图构建 | 第31-33页 |
| 3.4 基于L1范数数据嵌入 | 第33-34页 |
| 3.5 数据分类验证以及精度评价 | 第34-38页 |
| 3.5.1 随机森林 | 第35-36页 |
| 3.5.2 支持向量机 | 第36-37页 |
| 3.5.3 精度评价 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 第四章 流形学习在多源遥感数据降维中的应用 | 第40-68页 |
| 4.1 确定目标维度 | 第40-42页 |
| 4.2 采样方法比较 | 第42-43页 |
| 4.3 基于L1范数等距映射法验证 | 第43-46页 |
| 4.4 基于L1范数局部线性嵌入算法验证 | 第46-47页 |
| 4.5 流形学习在多源遥感数据降维中的应用 | 第47-67页 |
| 4.5.1 TSX数据降维 | 第47-54页 |
| 4.5.2 RS2数据降维 | 第54-60页 |
| 4.5.3 ALOS数据降维 | 第60-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士期间取得的成果 | 第76-77页 |
| 发表的学术论文 | 第76页 |
| 申请的专利 | 第76-77页 |
| 攻读硕士期间参与的项目 | 第77页 |
