基于机器学习的地物图像分类方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 论文研究背景和意义 | 第10页 |
| 1.2 机器学习图像分类技术的研究现状 | 第10-12页 |
| 1.3 论文选题依据 | 第12页 |
| 1.4 论文的主要工作和创新点 | 第12-13页 |
| 1.5 论文的组织结构 | 第13-15页 |
| 2 本文中涉及的基本理论介绍 | 第15-20页 |
| 2.1 SVM算法原理 | 第15-16页 |
| 2.2 RBF神经网络分类原理 | 第16-18页 |
| 2.3 卷积神经网络架构 | 第18-19页 |
| 2.4 实验数据 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 基于JM距离的SVM决策树分类 | 第20-29页 |
| 3.1 SVM决策树分类法 | 第20-21页 |
| 3.2 基于JM距离的SVM二叉树分类算法 | 第21-23页 |
| 3.3 基于SVM和k-means的节点分类过程 | 第23-24页 |
| 3.4 实验和结果 | 第24-27页 |
| 3.4.1 实验设计 | 第24-25页 |
| 3.4.2 实验结果 | 第25-27页 |
| 3.5 本章小结 | 第27-29页 |
| 4 基于遗传算法的模糊RBF神经网络分类 | 第29-37页 |
| 4.1 RBF神经网络结构 | 第29页 |
| 4.2 模糊RBF神经网络 | 第29-30页 |
| 4.3 遗传算法优化权值和阈值 | 第30-32页 |
| 4.4 实验与结果 | 第32-36页 |
| 4.4.1 实验设计 | 第32-34页 |
| 4.4.2 实验结果 | 第34-36页 |
| 4.5 本章小结 | 第36-37页 |
| 5 改进的卷积神经网络架架构 | 第37-48页 |
| 5.1 网络结构 | 第37-40页 |
| 5.2 补丁技术 | 第40-42页 |
| 5.3 实验与结果 | 第42-46页 |
| 5.3.1 实验数据 | 第42页 |
| 5.3.2 实验设置 | 第42-43页 |
| 5.3.3 与其他方法的比较 | 第43页 |
| 5.3.4 实验结果 | 第43-46页 |
| 5.4 本章小结 | 第46-48页 |
| 6 总结与展望 | 第48-49页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-56页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第56-57页 |
| 致谢 | 第57-58页 |
