| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 课题背景及研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 高光谱数据分类问题 | 第14-15页 |
| 1.2.2 深度学习理论 | 第15-16页 |
| 1.2.3 基于深度学习的髙光谱分类研究现状 | 第16-20页 |
| 1.3 研究动机和目标 | 第20-24页 |
| 1.4 本文结构 | 第24-25页 |
| 第2章 深度学习理论基础 | 第25-36页 |
| 2.1 神经网络介绍 | 第25-29页 |
| 2.1.1 前向传播 | 第26-27页 |
| 2.1.2 误差反向传播 | 第27页 |
| 2.1.3 常用激活函数 | 第27-29页 |
| 2.2 自动编码器 | 第29-31页 |
| 2.3 卷积神经网络 | 第31-33页 |
| 2.4 常用技巧 | 第33-35页 |
| 2.4.1 Dropout | 第33-34页 |
| 2.4.2 Batch Normalization | 第34页 |
| 2.4.3 Adam | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于预训练和参数共享思想的深度学习模型 | 第36-46页 |
| 3.1 高光谱分类难点 | 第36-40页 |
| 3.1.1 理论分析 | 第36-38页 |
| 3.1.2 实验验证 | 第38-40页 |
| 3.2 基于深度学习的高光谱分类模型 | 第40-45页 |
| 3.2.1 选取训练数据 | 第41页 |
| 3.2.2 预训练 | 第41-42页 |
| 3.2.3 整体调优网络 | 第42-44页 |
| 3.2.4 网络分析 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 实验结果与分析 | 第46-58页 |
| 4.1 实验数据及其预处理 | 第46-49页 |
| 4.1.1 实验数据介绍 | 第46-48页 |
| 4.1.2 预处理 | 第48-49页 |
| 4.1.3 分类效果评价指标 | 第49页 |
| 4.2 网络参数及其对结果的影响 | 第49-52页 |
| 4.3 结果对比 | 第52-57页 |
| 4.3.1 与3D-DWT对比 | 第52-53页 |
| 4.3.2 与3D-CNN对比 | 第53-56页 |
| 4.3.3 与CNN-PPF对比 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 网络特点分析 | 第58-66页 |
| 5.1 预训练和参数共享的必要性 | 第58-60页 |
| 5.1.1 预训练的必要性 | 第58-59页 |
| 5.1.2 参数共享的必要性 | 第59-60页 |
| 5.2 本文方法与卷积的联系与区别 | 第60-63页 |
| 5.3 本文方法与决策融合的相似之处 | 第63-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |