| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略词对照表 | 第13-16页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景与意义 | 第16-19页 |
| 1.1.1 高光谱遥感技术的发展 | 第16-17页 |
| 1.1.2 高光谱图像研究方向 | 第17-19页 |
| 1.2 深度学习简介 | 第19-23页 |
| 1.2.1 深度学习研究背景 | 第19-20页 |
| 1.2.2 深度学习研究现状 | 第20-23页 |
| 1.3 论文内容安排及主要工作 | 第23-26页 |
| 第二章 高光谱图像分类理论研究 | 第26-34页 |
| 2.1 基于浅层学习的高光谱图像分类方法 | 第26-27页 |
| 2.2 基于深度学习的高光谱图像分类方法 | 第27-30页 |
| 2.2.1 基于栈式自编码器的高光谱图像分类 | 第27-29页 |
| 2.2.2 基于卷积神经网络的高光谱图像分类 | 第29-30页 |
| 2.3 高光谱图像分类任务评价准则 | 第30-34页 |
| 2.3.1 高光谱图像分类数据集 | 第30-33页 |
| 2.3.2 高光谱图像分类任务评价准则 | 第33-34页 |
| 第三章 基于流形学习和局部空间序列的长短时记忆网络用于高光谱图像分类 | 第34-52页 |
| 3.1 引言 | 第34-36页 |
| 3.2 递归神经网络与长短时记忆网络 | 第36-38页 |
| 3.2.1 递归神经网络 | 第36-37页 |
| 3.2.2 长短时记忆网络 | 第37-38页 |
| 3.3 基于流形学习和局部空间序列的长短时记忆网络 | 第38-43页 |
| 3.3.1 流形学习 | 第39页 |
| 3.3.2 低层特征提取 | 第39-41页 |
| 3.3.3 构建局部空间序列特征 | 第41-42页 |
| 3.3.4 基于流形学习和局部空间序列的长短时记忆网络 | 第42-43页 |
| 3.4 实验设计与结果分析 | 第43-50页 |
| 3.4.1 实验设计 | 第43-44页 |
| 3.4.2 实验结果及分析 | 第44-49页 |
| 3.4.3 参数分析 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于低秩表示和非局部空间序列的长短时记忆网络用于高光谱图像分类 | 第52-64页 |
| 4.1 引言 | 第52-53页 |
| 4.2 构建基于低秩表示和非局部空间的序列特征 | 第53-57页 |
| 4.2.1 低层特征提取 | 第53-54页 |
| 4.2.2 低秩表示 | 第54-55页 |
| 4.2.3 非局部空间序列特征 | 第55-57页 |
| 4.3 基于低秩表示和非局部空间序列的长短时记忆网络 | 第57-58页 |
| 4.4 实验设计与结果分析 | 第58-62页 |
| 4.4.1 实验设计 | 第58页 |
| 4.4.2 实验结果及分析 | 第58-62页 |
| 4.4.3 参数分析 | 第62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 基于一种改进激活函数的长短时记忆网络用于高光谱图像分类 | 第64-74页 |
| 5.1 引言 | 第64-65页 |
| 5.2 激活函数 | 第65-68页 |
| 5.2.1 常见的激活函数 | 第65-67页 |
| 5.2.2 PReLU函数及其改进 | 第67-68页 |
| 5.2.3 使用改进激活函数的LSTM | 第68页 |
| 5.3 实验设计与结果分析 | 第68-72页 |
| 5.3.1 实验设计 | 第68-69页 |
| 5.3.2 实验结果及分析 | 第69-72页 |
| 5.4 参数分析 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
