| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 高光谱研究背景 | 第15-17页 |
| 1.1.1 高光谱遥感技术发展 | 第15-16页 |
| 1.1.2 高光谱遥感技术的研究方向 | 第16-17页 |
| 1.2 深度学习简介 | 第17-19页 |
| 1.2.1 深度学习背景 | 第17-18页 |
| 1.2.2 深度学习核心思想和现状 | 第18-19页 |
| 1.3 论文的内容安排和主要工作 | 第19-21页 |
| 第二章 高光谱图像分类的理论研究 | 第21-31页 |
| 2.1 高光谱图像分类面临的问题 | 第21-22页 |
| 2.2 特征学习 | 第22-26页 |
| 2.2.1 特征提取 | 第22-23页 |
| 2.2.2 特征选择 | 第23-25页 |
| 2.2.3 其他特征学习方法 | 第25-26页 |
| 2.3 分类评价标准 | 第26-29页 |
| 2.3.1 高光谱图像分类数据集 | 第26-28页 |
| 2.3.2 高光谱图像分类评价准则 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于递归自动编码网络的高光谱图像分类 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 AE网络 | 第31-33页 |
| 3.3 无监督递归自编码加权网络 | 第33-36页 |
| 3.3.1 构建无监督RAE | 第33-35页 |
| 3.3.2 训练网络参数 | 第35页 |
| 3.3.3 无监督RAE加权网络 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-43页 |
| 3.4.1 AVIRIS数据集：Indian Pines的实验 | 第36-39页 |
| 3.4.2 ROSOS Urban数据集：Pavia university的分类实验 | 第39-41页 |
| 3.4.3 邻域大小N分析 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于非局部递归LPP网络的高光谱图像分类 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 LPP算法 | 第45-47页 |
| 4.2.1 图嵌入框架 | 第45-46页 |
| 4.2.2 局部保留投影算法 | 第46-47页 |
| 4.3 递归局部保留投影网络 | 第47-48页 |
| 4.4 非局部RLPP网络 | 第48-50页 |
| 4.5 实验结果与分析 | 第50-53页 |
| 4.5.1 Indian Pines图像实验 | 第50-52页 |
| 4.5.2 Pavia University图像实验 | 第52-53页 |
| 4.5.3 参数分析 | 第53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 基于RLPP网络的高光谱图像波段选择 | 第55-63页 |
| 5.1 引言 | 第55页 |
| 5.2 基于递归LPP网络的波段选择 | 第55-58页 |
| 5.2.1 波段聚类与递归LPP网络构建 | 第55-57页 |
| 5.2.2 基于递归LPP网络的波段选择 | 第57-58页 |
| 5.3 实验分析 | 第58-62页 |
| 5.3.1 Indian Pines数据集的实验 | 第59-60页 |
| 5.3.2 Pavia University数据集的实验 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72-73页 |
