| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 高光谱遥感图像概述 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 本文研究内容及组织结构 | 第15-19页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 本文组织结构 | 第16-19页 |
| 第2章 高光谱遥感图像分类相关理论基础 | 第19-29页 |
| 2.1 本文选用的高光谱遥感图像实验数据 | 第19-22页 |
| 2.2 常用的遥感图像分类方法 | 第22-27页 |
| 2.2.1 BP神经网络分类方法 | 第22-24页 |
| 2.2.2 支持向量机SVM分类方法 | 第24-27页 |
| 2.3 遥感图像分类结果的精度评价 | 第27-28页 |
| 2.3.1 混淆矩阵 | 第27页 |
| 2.3.2 Kappa系数 | 第27-28页 |
| 2.3.3 总体分类精度 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 高光谱遥感图像的降维方法研究 | 第29-41页 |
| 3.1 主成分分析降维方法 | 第29-32页 |
| 3.1.1 主成分分析降维方法 | 第29-31页 |
| 3.1.2 主成分分析法的具体步骤 | 第31-32页 |
| 3.2 核主成分分析降维方法 | 第32-34页 |
| 3.2.1 核主成分分析降维方法 | 第32-34页 |
| 3.2.2 核主成分分析法的具体步骤 | 第34页 |
| 3.3 累计贡献率 | 第34-35页 |
| 3.4 主成分个数选择实验 | 第35-36页 |
| 3.5 一种主成分分析与核主成分分析融合的降维方法 | 第36-37页 |
| 3.6 实验结果与分析 | 第37-39页 |
| 3.7 本章小结 | 第39-41页 |
| 第4章 深度信念网络分类算法研究 | 第41-57页 |
| 4.1 受限波尔兹曼机 | 第41-49页 |
| 4.1.1 受限玻尔兹曼机基础知识 | 第41-43页 |
| 4.1.2 受限玻尔兹曼机的网络结构 | 第43-44页 |
| 4.1.3 能量函数和对数似然函数 | 第44-46页 |
| 4.1.4 对比散度算法 | 第46-48页 |
| 4.1.5 受限玻尔兹曼机训练算法 | 第48-49页 |
| 4.2 深度信念网络模型的网络结构及训练方法 | 第49-51页 |
| 4.2.1 深度信念网络的网络结构 | 第49-50页 |
| 4.2.2 深度信念网络的训练方法 | 第50-51页 |
| 4.3 深度信念网络训练方法的改进 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 基于DBN的高光谱遥感图像分类算法的设计与实验结果分析 | 第57-69页 |
| 5.1 高光谱遥感图像分类算法流程 | 第57-58页 |
| 5.2 本文改进的DBN网络设计 | 第58-60页 |
| 5.2.1 DBN网络结构 | 第58-59页 |
| 5.2.2 数据集分批处理 | 第59-60页 |
| 5.2.3 数据集随机处理 | 第60页 |
| 5.2.4 学习率的分段处理 | 第60页 |
| 5.3 实验结果与分析 | 第60-67页 |
| 5.3.1 实验中BP、SVM及经典DBN等分类方法的具体介绍 | 第60-61页 |
| 5.3.2 Salinas数据集测试结果 | 第61-65页 |
| 5.3.3 PaviaU数据集测试结果 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
