| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状分析 | 第15-16页 |
| 1.3 论文的主要工作及内容安排 | 第16-18页 |
| 第二章 高光谱遥感图像分类算法 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 基于主动学习(AL)算法的高光谱图像分类 | 第18-20页 |
| 2.2.1 主动学习工作流程 | 第18-19页 |
| 2.2.2 主动学习样本选择策略 | 第19-20页 |
| 2.3 基于半监督学习(SSL)算法的高光谱图像分类 | 第20-21页 |
| 2.3.1 半监督学习的基本假设 | 第20页 |
| 2.3.2 半监督学习算法 | 第20-21页 |
| 2.4 基于集成学习算法的高光谱图像分类 | 第21-25页 |
| 2.4.1 Bagging算法 | 第22-23页 |
| 2.4.2 Boosting算法 | 第23-24页 |
| 2.4.3 随机森林算法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于梯度提升决策树的半监督高光谱图像分类 | 第26-44页 |
| 3.1 引言 | 第26-27页 |
| 3.2 基于梯度提升决策树算法的高光谱图像分类方法 | 第27-29页 |
| 3.2.1 提升决策树算法 | 第27-29页 |
| 3.3 基于梯度提升决策树的半监督高光谱图像分类 | 第29-32页 |
| 3.3.1 类标投票数目 | 第29页 |
| 3.3.2 稀疏表示与类标验证 | 第29-30页 |
| 3.3.3 算法详细步骤 | 第30-32页 |
| 3.4 实验设计与分析 | 第32-42页 |
| 3.4.1 遥感数据集介绍 | 第32-34页 |
| 3.4.2 实验设置与对比算法 | 第34-35页 |
| 3.4.3 实验结果与分析 | 第35-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于集成多样性的半监督高光谱图像分类 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 相关工作 | 第44-48页 |
| 4.2.1 常用的多样性度量方法 | 第44-47页 |
| 4.2.2 UDEED | 第47-48页 |
| 4.3 基于集成多样性的半监督高光谱图像分类 | 第48-50页 |
| 4.4 实验结果与分析 | 第50-58页 |
| 4.4.1 实验设计与结果分析 | 第50-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第五章 基于梯度提升决策树特征提取和半监督学习的分类算法 | 第60-70页 |
| 5.1 引言 | 第60页 |
| 5.2 梯度提升决策树特征提取算法 | 第60-61页 |
| 5.3 基于梯度提升决策树特征提取和半监督学习的分类算法 | 第61-64页 |
| 5.3.1 无标记样本不确定性度量 | 第62页 |
| 5.3.2 无标记样本多样性度量 | 第62-63页 |
| 5.3.3 算法详细步骤 | 第63-64页 |
| 5.4 实验结果与分析 | 第64-69页 |
| 5.4.1 实验设计与结果分析 | 第64-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 未来展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-79页 |
