基于超球体多类支持向量机的高光谱遥感影像分类
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·高光谱遥感影像分类的研究现状及趋势 | 第10-12页 |
| ·研究现状 | 第10-11页 |
| ·研究趋势 | 第11-12页 |
| ·论文主要研究内容 | 第12-13页 |
| ·研究内容 | 第12页 |
| ·拟突破的难题 | 第12-13页 |
| ·研究特色和创新之处 | 第13页 |
| ·本文的章节安排 | 第13-14页 |
| 第二章 高光谱遥感图像的分类理论 | 第14-22页 |
| ·高光谱遥感图像数据 | 第14-16页 |
| ·高光谱数据表达 | 第14-15页 |
| ·高光谱图像的特性 | 第15-16页 |
| ·传统遥感影像分类方法 | 第16-20页 |
| ·遥感影像分类原理 | 第16-17页 |
| ·遥感影像分类流程 | 第17页 |
| ·遥感影像分类方法 | 第17-20页 |
| ·高光谱遥感图像分类存在的问题 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 支持向量机 | 第22-35页 |
| ·统计学习理论的核心内容 | 第22-24页 |
| ·统计学习理论 | 第22-23页 |
| ·VC维 | 第23页 |
| ·结构风险最小化原则 | 第23-24页 |
| ·支持向量机 | 第24-28页 |
| ·支持向量机的主要优点 | 第25页 |
| ·支持向量机分类原理 | 第25-27页 |
| ·非线性支持向量机 | 第27-28页 |
| ·支持向量机与传统分类方法的性能比较 | 第28-33页 |
| ·多类支持向量机 | 第28-29页 |
| ·高光谱遥感影像分类实验 | 第29-33页 |
| ·本章小结 | 第33-35页 |
| 第四章 超球体多类支持向量机 | 第35-49页 |
| ·超球体多类支持向量机原理及其特点 | 第35-39页 |
| ·超球体多类支持向量机原理 | 第35-37页 |
| ·超球体多类支持向量机训练算法 | 第37-38页 |
| ·超球体多类支持向量机判决算法 | 第38-39页 |
| ·分类器性能分析 | 第39页 |
| ·最小二乘超球体多类支持向量机 | 第39-43页 |
| ·最小二乘超球体多类支持向量机原理 | 第39-41页 |
| ·最小二乘超球体多类支持向量机训练算法 | 第41-43页 |
| ·最小二乘超球体多类支持向量机的判决规则 | 第43页 |
| ·半模糊最小二乘超球体支持向量机 | 第43-47页 |
| ·基于半模糊核聚类算法的样本数据预处理 | 第43-45页 |
| ·半模糊最小二乘超球体多类支持向量机训练算法 | 第45-46页 |
| ·半模糊最小二乘超球体多类支持向量机性能分析 | 第46-47页 |
| ·模型参数选择——交叉验证法 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 超球体多类支持向量机分类实验 | 第49-56页 |
| ·实验与分析 | 第49-53页 |
| ·实验总结 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-59页 |
| ·论文工作总结 | 第56-57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表的论文及参与的项目 | 第64页 |
