| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 主要研究内容与章节安排 | 第16-17页 |
| 1.4 实验运行环境 | 第17页 |
| 1.5 采用的数据集 | 第17-20页 |
| 第2章 支持向量机基本理论 | 第20-29页 |
| 2.1 理论基础 | 第20-22页 |
| 2.1.1 VC维 | 第20-21页 |
| 2.1.2 结构风险最小化原理 | 第21-22页 |
| 2.2 SVM分类原理 | 第22-26页 |
| 2.2.1 最优分类超平面 | 第22-24页 |
| 2.2.2 广义最优分类超平面 | 第24-25页 |
| 2.2.3 非线性问题 | 第25-26页 |
| 2.3 多类分类器 | 第26-27页 |
| 2.4 分类评价准则 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 孪生支持向量机基本理论 | 第29-43页 |
| 3.1 孪生支持向量机 | 第29-33页 |
| 3.1.1 线性TWSVM | 第29-32页 |
| 3.1.2 非线性TWSVM | 第32-33页 |
| 3.2 最小二乘孪生支持向量机 | 第33-37页 |
| 3.2.1 线性LSTSVM | 第33-35页 |
| 3.2.2 非线性LSTSVM | 第35-37页 |
| 3.3 实验分析 | 第37-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于样本缩减的LSTSVM分类算法 | 第43-53页 |
| 4.1 LSTSVM算法分析 | 第43-44页 |
| 4.2 线性LSTSVM样本缩减策略 | 第44-45页 |
| 4.3 非线性LSTSVM样本缩减策略 | 第45-47页 |
| 4.4 实验分析 | 第47-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 融合空间-光谱信息的改进LSTSVM分类模型 | 第53-70页 |
| 5.1 基本理论 | 第53-58页 |
| 5.1.1 主成分分析 | 第53-55页 |
| 5.1.2 Gabor滤波 | 第55-56页 |
| 5.1.3 数学形态学 | 第56-58页 |
| 5.2 改进LSTSVM分类模型 | 第58-59页 |
| 5.3 实验分析 | 第59-69页 |
| 5.3.1 改进LSTSVM分类模型实验分析 | 第59-66页 |
| 5.3.2 融合空间-光谱信息的SR-LSTSVM实验分析 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第77-78页 |
| 致谢 | 第78页 |