| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-17页 |
| 第一章 绪论 | 第17-33页 |
| ·课题研究的背景、意义及目标 | 第17-20页 |
| ·课题研究背景及意义 | 第17-19页 |
| ·课题研究的总体目标 | 第19-20页 |
| ·国内外研究的现状 | 第20-25页 |
| ·机器学习研究现状 | 第20页 |
| ·遥感影像分类方法的国内外研究现状 | 第20-25页 |
| ·研究内容及需要探讨的关键理论问题 | 第25-26页 |
| ·研究内容 | 第25-26页 |
| ·需探究的关键理论与算法问题 | 第26页 |
| ·实验安排和实验数据 | 第26-30页 |
| ·实验安排 | 第26-30页 |
| ·实验数据 | 第30页 |
| ·论文结构和安排 | 第30-33页 |
| 第二章 支持向量机的基本原理 | 第33-53页 |
| ·统计学习理论 | 第33-36页 |
| ·函数集的VC维 | 第33-35页 |
| ·推广性的界 | 第35-36页 |
| ·支持向量机的基本思想 | 第36-44页 |
| ·最优分类超平面与线性分类器 | 第36-40页 |
| ·非线性可分分类器 | 第40-42页 |
| ·核函数及核条件 | 第42-44页 |
| ·最优化理论 | 第44-47页 |
| ·KKT条件 | 第45-46页 |
| ·lagrange对偶(Dual form)问题 | 第46-47页 |
| ·Wolfe对偶(Dual form)问题 | 第47页 |
| ·支持向量机的训练(Training)算法 | 第47-51页 |
| ·SVM训练中的分解算法 | 第47-49页 |
| ·序贯最小优化法(SMO)算法 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第三章 支持向量机理论与模型的进一步探讨 | 第53-67页 |
| ·支持向量机的变形算法 | 第53-56页 |
| ·C-SVM算法 | 第53-54页 |
| ·v-SVM算法 | 第54页 |
| ·One-class SVM算法 | 第54-55页 |
| ·LS-SVM算法 | 第55-56页 |
| ·SVM的多分类算法 | 第56-63页 |
| ·One-Against-Rest方法 | 第56-57页 |
| ·One-Against-One方法 | 第57-58页 |
| ·基于二叉树的多分类方法 | 第58-59页 |
| ·纠错编码分类方法 | 第59-62页 |
| ·纠错编码算法 | 第59-61页 |
| ·汉明距离解码器 | 第61-62页 |
| ·有向无环图(DDAG)方法 | 第62-63页 |
| ·SVM模型中的参数优化方法 | 第63-66页 |
| ·网格搜索算法 | 第64页 |
| ·粒子群优化算法 | 第64-65页 |
| ·遗传算法 | 第65-66页 |
| ·交叉验证思想 | 第66页 |
| ·本章小结 | 第66-67页 |
| 第四章 聚类算法及其应用 | 第67-77页 |
| ·模式相似测度 | 第67-69页 |
| ·距离测度(Distance Measure) | 第67-69页 |
| ·相似测度(Similarity Measures) | 第69页 |
| ·基于划分的聚类方法 | 第69-73页 |
| ·k-means算法 | 第69-72页 |
| ·k-medoids算法 | 第72-73页 |
| ·实验一：k-means分类及样本标注实验 | 第73-76页 |
| ·k-means聚类算法对iris(鸢尾属植物)数据的分类实验 | 第73-75页 |
| ·改进的k-means算法对样本标注实验 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 SVM分类模型中的核函数及参数优化实验 | 第77-97页 |
| ·针对低维数据的三种核函数分类的比较实验 | 第77-82页 |
| ·实验二：针对iris数据的三种核函数的SVM分类比较实验 | 第77-80页 |
| ·实验三：针对Wine数据集三种核函数的SVM分类比较实验 | 第80-82页 |
| ·实验四：针对高维数据的三种核函数SVM分类比较实验 | 第82-83页 |
| ·参数优化实验 | 第83-95页 |
| ·Landsat7ETM+数据 | 第83-84页 |
| ·实验五：交叉验证法网格搜索SVM分类核函数参数寻优实验 | 第84-89页 |
| ·实验六：粒子群优化算法SVM分类核函数参数优化实验 | 第89-91页 |
| ·实验七：遗传算法参数优化实验 | 第91-95页 |
| ·本章小结 | 第95-97页 |
| 第六章 不同的SVM模型对遥感影像的分类 | 第97-109页 |
| ·实验平台及数据 | 第97-100页 |
| ·实验区选择 | 第97-98页 |
| ·实验平台 | 第98-100页 |
| ·SVM变形算法对洱海LandsatTM影像的分类 | 第100-107页 |
| ·实验八：C-SVM算法对洱海的实验 | 第100-101页 |
| ·实验九：v-SVM算法对洱海的实验 | 第101-103页 |
| ·实验十：LS-SVM算法对洱海的实验 | 第103-107页 |
| ·实验十一：规范参数γ对LS-SVM分类器性能的影响实验 | 第106页 |
| ·实验十二：RBF核参数σ对LS-SVM分类器性能的影响实验 | 第106-107页 |
| ·本章小结 | 第107-109页 |
| 第七章 k-means与SVM混合模型多光谱遥感影像分类 | 第109-137页 |
| ·Landsat TM影像数据及分类过程 | 第109-115页 |
| ·遥感影像的特征提取 | 第111-112页 |
| ·分类器的选择 | 第112页 |
| ·遥感影像分类精度评估方法 | 第112-115页 |
| ·混淆矩阵 | 第113-114页 |
| ·Kappa系数 | 第114-115页 |
| ·Landsat TM影像分类实验平台 | 第115页 |
| ·Landsat TM影像分类实验 | 第115-135页 |
| ·研究地区概况及样本选择 | 第115-119页 |
| ·实验十三：目视标注样本的Landsat TM数据分类实验 | 第119-124页 |
| ·k-means标注样本的分类实验 | 第124-135页 |
| ·实验十四：聚类中心(位置)对分类精度的影响实验 | 第124-127页 |
| ·实验十五：特征维数对分类精度的影响实验 | 第127-129页 |
| ·实验十六：改进的k-means与SVM的混合分类模型的分类实验 | 第129-135页 |
| ·本章小结 | 第135-137页 |
| 第八章 主要工作、结论与讨论 | 第137-145页 |
| ·论文的主要研究工作 | 第137-138页 |
| ·结论与讨论 | 第138-142页 |
| ·论文的特色及创新点 | 第142-143页 |
| ·进一步的工作设想 | 第143-145页 |
| 致谢 | 第145-147页 |
| 参考文献 | 第147-158页 |
| 附录 攻读硕士期间发表的论文目录 | 第158页 |
