| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 引言 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 高光谱图像特性分析 | 第10页 |
| 1.3.2 高光谱图像特征选择与提取 | 第10-11页 |
| 1.3.3 深度神经网络发展与应用 | 第11-12页 |
| 1.3.4 高光谱图像分类算法 | 第12-14页 |
| 1.4 研究内容及章节安排 | 第14-16页 |
| 2 基于深度神经网络的高光谱图像分析 | 第16-37页 |
| 2.1 高光谱图像成像原理 | 第16-18页 |
| 2.2 高光谱数据特点 | 第18-20页 |
| 2.3 高光谱图像特征选择与提取 | 第20-22页 |
| 2.3.1 主成分分析 | 第20-21页 |
| 2.3.2 最小噪声分离 | 第21页 |
| 2.3.3 独立成分分析 | 第21-22页 |
| 2.4 深度神经网络 | 第22-27页 |
| 2.4.1 深度神经网络概述 | 第22-23页 |
| 2.4.2 受限制玻尔兹曼机 | 第23-25页 |
| 2.4.3 受限制玻尔兹曼机的训练 | 第25-26页 |
| 2.4.4 深度神经网络 | 第26-27页 |
| 2.5 基于深度神经网络的光谱信息分类 | 第27-36页 |
| 2.5.1 实验数据与环境 | 第27-30页 |
| 2.5.2 基于深度神经网络的光谱信息分类 | 第30-31页 |
| 2.5.3 实验与结果分析 | 第31-36页 |
| 2.6 本章小结 | 第36-37页 |
| 3 基于深度自适应分组置信网络的高光谱图像分类方法 | 第37-50页 |
| 3.1 基于深度自适应分组置信网络的空间谱信息分类 | 第37-38页 |
| 3.2 分组受限制玻尔兹曼机 | 第38-39页 |
| 3.3 后正则化平滑 | 第39-40页 |
| 3.4 实验与结果分析 | 第40-49页 |
| 3.4.1 空间信息对分类精度的影响 | 第40-41页 |
| 3.4.2 隐层单元数和隐层数对分类精度的影响 | 第41页 |
| 3.4.3 分组正则化对分类精度的影响 | 第41-43页 |
| 3.4.4 有监督学习对比分析 | 第43-48页 |
| 3.4.5 冗余波段选择 | 第48-49页 |
| 3.4.6 后正则化平滑 | 第49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 嵌入式高效能深度自适应神经网络分类方法 | 第50-58页 |
| 4.1 嵌入式高效能深度自适应神经网络 | 第50-54页 |
| 4.1.1 高效能深度自适应神经网络基本思想 | 第50-51页 |
| 4.1.2 高效能深度自适应神经网络理论 | 第51-52页 |
| 4.1.3 基于高效能深度自适应神经网络的高光谱图像分类 | 第52-53页 |
| 4.1.4 嵌入式高效能深度自适应神经网络存储优化方法 | 第53-54页 |
| 4.2 实验与结果分析 | 第54-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 总结和展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67页 |
| A. 作者在攻读学位期间发表的论文 | 第67页 |
| B. 作者在攻读学位期间发表的专利 | 第67页 |
| C. 作者在攻读学位期间获得的奖项 | 第67页 |
