| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 中英文缩略语表 | 第8-11页 |
| 第一章绪论 | 第11-18页 |
| ·课题的研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-16页 |
| ·信息融合技术的发展现状 | 第12-13页 |
| ·信息融合技术的应用现状 | 第13-14页 |
| ·SVM 支持向量机的发展现状 | 第14-16页 |
| ·SVM 支持向量机的应用现状 | 第16页 |
| ·研究目的和内容 | 第16-17页 |
| ·论文组织结构 | 第17-18页 |
| 第二章支持向量机和信息融合的基础理论 | 第18-33页 |
| ·统计学习理论 | 第18-20页 |
| ·VC 维理论 | 第18页 |
| ·经验风险最小化原则 | 第18-19页 |
| ·结构风险最小化原则 | 第19-20页 |
| ·SVM 训练 | 第20-22页 |
| ·SVM 训练原理 | 第20-21页 |
| ·SVM 训练的具体流程 | 第21-22页 |
| ·SVM 识别 | 第22-25页 |
| ·SVM 识别原理 | 第22-23页 |
| ·线性不可分原理 | 第23-24页 |
| ·多分类支持向量机原理 | 第24-25页 |
| ·信息融合的概念和原理 | 第25-27页 |
| ·信息融合的概念 | 第25-26页 |
| ·信息融合的基本原理 | 第26-27页 |
| ·信息融合的功能模型及层次结构 | 第27-29页 |
| ·信息融合的功能模型 | 第27页 |
| ·信息融合的层次结构 | 第27-29页 |
| ·信息融合的常用算法及分析 | 第29-32页 |
| ·贝叶斯理论 | 第29-30页 |
| ·神经网络法 | 第30-31页 |
| ·D-S 证据理论 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章基于信息融合的海洋溢油SVM 分类识别器的设计与实现 | 第33-45页 |
| ·基于SVM 的海洋溢油识别器的设计 | 第34-40页 |
| ·本系统中的SVM 训练算法 | 第34-35页 |
| ·SVM 训练的源代码分析 | 第35-36页 |
| ·本系统中的SVM 识别算法 | 第36-37页 |
| ·SVM 识别的源代码分析 | 第37-39页 |
| ·SVM 支持向量机的实现 | 第39-40页 |
| ·一种新的半自动SVM 识别器的提出和实现 | 第40-42页 |
| ·基于D-S 证据理论的信息融合方法研究 | 第42-44页 |
| ·本系统中的特征层融合 | 第42-43页 |
| ·本系统中的决策层融合 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章测试结果和分析 | 第45-55页 |
| ·测试工具介绍 | 第45-46页 |
| ·测试结果分析 | 第46-54页 |
| ·缩放映射和训练参数选择 | 第46-47页 |
| ·物理环境因子对提取的特征值的关系 | 第47页 |
| ·油水比例对识别结果的影响 | 第47-49页 |
| ·分辨率对识别结果的影响 | 第49-50页 |
| ·特征层串行融合对识别结果和精度的影响 | 第50-51页 |
| ·决策层D-S 证据理论融合对识别结果和精度的影响 | 第51页 |
| ·半自动识别对识别结果和精度的影响 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第五章海洋溢油自动识别系统的实现及其关键技术 | 第55-60页 |
| ·系统平台概述 | 第55页 |
| ·环境搭建 | 第55-56页 |
| ·整体方案设计 | 第56-57页 |
| ·算法设计 | 第57-58页 |
| ·基于web 实现 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第六章总结和展望 | 第60-62页 |
| ·主要结论 | 第60-61页 |
| ·后续工作展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |