| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-13页 |
| 1.2.1 高光谱数据的特性分析 | 第10-11页 |
| 1.2.2 深度学习理论及其应用 | 第11-12页 |
| 1.2.3 高光谱数据分类方法 | 第12-13页 |
| 1.3 本文的主要研究内容及结构安排 | 第13-16页 |
| 第2章 高光谱数据在光谱和空间变化下的特性分析 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 高光谱数据的成像原理 | 第16-17页 |
| 2.3 高光谱数据在光谱和空间变化下特性的度量 | 第17-24页 |
| 2.3.1 实验图像数据简介 | 第18-20页 |
| 2.3.2 高光谱数据在光谱变化下的特性 | 第20-22页 |
| 2.3.3 高光谱数据在空间变化下的特性 | 第22-24页 |
| 2.4 高光谱数据变化特征及不变特征提取 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 深度置信网的理论与应用研究 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 深度学习理论简介 | 第26-28页 |
| 3.2.1 深度学习的基本思想 | 第26-27页 |
| 3.2.2 深度学习的训练过程 | 第27-28页 |
| 3.3 限制玻尔兹曼机 | 第28-31页 |
| 3.3.1 限制玻尔兹曼机的定义 | 第28-30页 |
| 3.3.2 限制玻尔兹曼机的学习过程 | 第30-31页 |
| 3.4 深度置信网 | 第31-33页 |
| 3.4.1 深度置信网的模型定义 | 第31-32页 |
| 3.4.2 深度置信网的分类结构及学习过程 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 深度置信网在高光谱数据分类中的应用 | 第35-50页 |
| 4.1 引言 | 第35页 |
| 4.2 RBM对高光谱数据的特征提取 | 第35-39页 |
| 4.2.1 RBM隐层单元的光谱重建 | 第35-38页 |
| 4.2.2 RBM层间的连接权重 | 第38-39页 |
| 4.3 基于光谱信息的高光谱数据分类 | 第39-42页 |
| 4.3.1 基于光谱信息的DBN-LR分类模型 | 第39-40页 |
| 4.3.2 实验与结果分析 | 第40-42页 |
| 4.4 基于空间信息的高光谱数据分类 | 第42-46页 |
| 4.4.1 主成分分析提取光谱信息 | 第43-44页 |
| 4.4.2 空间信息邻域处理 | 第44页 |
| 4.4.3 实验与结果分析 | 第44-46页 |
| 4.5 基于光谱-空间信息的高光谱数据分类 | 第46-49页 |
| 4.5.1 基于光谱-空间信息的DBN-LR分类模型 | 第46-47页 |
| 4.5.2 实验及结果分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 基于深度置信网集成的高光谱数据分类 | 第50-59页 |
| 5.1 引言 | 第50页 |
| 5.2 集成学习理论简介 | 第50-53页 |
| 5.2.1 集成学习的基本思想 | 第50-52页 |
| 5.2.2 集成学习的经典方法介绍 | 第52-53页 |
| 5.3 基于随机光谱特征选择集成的高光谱数据分类 | 第53-54页 |
| 5.4 基于随机光谱-空间特征选择集成的高光谱数据分类 | 第54-55页 |
| 5.5 实验结果及分析 | 第55-58页 |
| 5.5.1 基于集成学习的方法与单一分类器分类对比实验 | 第55-56页 |
| 5.5.2 图形用户界面演示简介 | 第56-58页 |
| 5.6 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
| 致谢 | 第67页 |
