| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-18页 |
| ·研究背景和意义 | 第8-9页 |
| ·水质遥感监测的基本原理 | 第9-11页 |
| ·国内外研究概况 | 第11-15页 |
| ·水质遥感监测国内外研究概况 | 第11-14页 |
| ·集成学习及研究概况 | 第14-15页 |
| ·本文主要研究内容 | 第15-18页 |
| 第2章 水质定量遥感监测的线性回归反演模型 | 第18-30页 |
| ·数据的获取及预处理 | 第18-19页 |
| ·渭河陕西段实地水质监测数据的获取 | 第18页 |
| ·遥感影像数据的获取与预处理 | 第18-19页 |
| ·相关性分析 | 第19页 |
| ·基于传统统计理论的线性回归反演模型 | 第19-29页 |
| ·线性回归模型中的异常点检测 | 第19-23页 |
| ·逐步回归分析 | 第23-25页 |
| ·水质参数反演的逐步回归模型 | 第25-26页 |
| ·逐步回归模型的预测结果 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 集成人工神经网络的水质参数反演模型 | 第30-44页 |
| ·人工神经网络集成学习 | 第30-33页 |
| ·作为基学习器的几种ANN | 第30-31页 |
| ·AdaBoost集成 | 第31-32页 |
| ·Bagging集成 | 第32-33页 |
| ·基于样本重构的ANN加权平均集成 | 第33-35页 |
| ·利用ANN集成模型预测水质参数的实验结果与分析 | 第35-41页 |
| ·本章小结 | 第41-44页 |
| 第4章 集成支持向量机的水质参数反演模型 | 第44-56页 |
| ·支持向量机及其集成 | 第44页 |
| ·支持向量回归机及其集成模型 | 第44-48页 |
| ·遗传算法优选SVR参数的单SVR模型 | 第44-45页 |
| ·SVR的Bagging集成模型 | 第45页 |
| ·SVR的AdaBoost集成模型 | 第45-46页 |
| ·基于样本和参数二重扰动的SVR选择性集成 | 第46-48页 |
| ·各基于SVR的回归模型反演水质参数实验结果及分析 | 第48-51页 |
| ·水质参数集成回归模型的遥感反演应用 | 第51-55页 |
| ·几种水质参数回归模型的泛化性能比较 | 第51页 |
| ·二重扰动的SVR选择性集成模型的遥感反演应用 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 结论与展望 | 第56-60页 |
| ·全文总结 | 第56-57页 |
| ·展望 | 第57-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |