基于粗糙集的高光谱遥感数据降维算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 前言 | 第10-13页 |
| ·研究背景 | 第10-11页 |
| ·研究的目的和意义 | 第11页 |
| ·论文结构 | 第11-13页 |
| 第二章 高光谱数据降维方法进展 | 第13-21页 |
| ·高光谱数据降维算法描述 | 第13-14页 |
| ·高光谱数据特征选择方法 | 第14-17页 |
| ·高光谱数据波段选择降维方法 | 第14-16页 |
| ·高光谱数据特征提取降维方法 | 第16-17页 |
| ·粗糙集波段选择方法 | 第17-21页 |
| 第三章 实验设计及实验数据 | 第21-26页 |
| ·实验方案描述 | 第21-23页 |
| ·ASD 数据反演叶绿素实验 | 第21-22页 |
| ·HYDICE 影像分类实验 | 第22-23页 |
| ·实验区域选择 | 第23-26页 |
| ·叶绿素反演区域选择 | 第23-24页 |
| ·HYDICE 数据波段选择区域描述 | 第24-26页 |
| 第四章 粗糙集约简的算法描述 | 第26-36页 |
| ·粗糙集基本理论 | 第26-30页 |
| ·知识表达系统 | 第26-27页 |
| ·知识与知识库 | 第27页 |
| ·不精确范畴近似 | 第27-28页 |
| ·属性的重要度定义 | 第28-29页 |
| ·知识约简 | 第29-30页 |
| ·基于粗糙集的高光谱波段选择算法 | 第30-34页 |
| ·基于属性重要度的约简算法 | 第31-32页 |
| ·基于属性重要度的约简算法模型 | 第32-34页 |
| ·K-means 聚类算法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第五章 实验及结果分析 | 第36-51页 |
| ·水稻叶片叶绿素含量高光谱反演方法 | 第36-38页 |
| ·粗糙集属性约简算法 | 第36-37页 |
| ·支持向量回归方法 | 第37-38页 |
| ·水稻叶片叶绿素含量高光谱反演实验结果及分析 | 第38-42页 |
| ·数据分析方法 | 第38-40页 |
| ·基于粗糙集的植被指数约简方法 | 第40页 |
| ·基于支持向量回归算法的水稻叶片叶绿素含量反演 | 第40-42页 |
| ·高光谱图像分类方法 | 第42-45页 |
| ·基于属性重要度的粗糙集约简算法 | 第43页 |
| ·高光谱遥感波段约简算法 | 第43-45页 |
| ·高光谱图像分类实验结果及分析 | 第45-51页 |
| ·实验结果 | 第47-49页 |
| ·结果分析 | 第49-51页 |
| 第六章 总结 | 第51-54页 |
| ·论文主要工作 | 第51-52页 |
| ·主要研究结果 | 第52-53页 |
| ·有待进一步研究的问题 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录 | 第60页 |
