| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第13-14页 |
| 缩略语对照表 | 第14-20页 |
| 第一章 绪论 | 第20-38页 |
| 1.1 研究背景及目的和意义 | 第20-27页 |
| 1.1.1 论文研究背景 | 第20-25页 |
| 1.1.2 研究目的和意义 | 第25-27页 |
| 1.2 国内外研究现状综述 | 第27-34页 |
| 1.2.1 高光谱地物分类研究现状 | 第27-30页 |
| 1.2.2 高光谱像元解混研究现状 | 第30-34页 |
| 1.3 本文研究内容与章节安排 | 第34-38页 |
| 1.3.1 本文研究内容 | 第34-35页 |
| 1.3.2 章节安排 | 第35-38页 |
| 第二章 高光谱图像分类与解混的相关基础理论 | 第38-54页 |
| 2.1 引言 | 第38页 |
| 2.2 高光谱图像分类与解混基本概念介绍 | 第38-40页 |
| 2.3 基础理论介绍 | 第40-46页 |
| 2.3.1 人工神经网络介绍 | 第40-42页 |
| 2.3.2 稀疏表示理论介绍 | 第42-46页 |
| 2.4 真实数据与评价标准 | 第46-52页 |
| 2.4.1 分类真实实验数据与评价标准 | 第46-51页 |
| 2.4.2 解混的真实实验数据与评价标准 | 第51-52页 |
| 2.5 本章小结 | 第52-54页 |
| 第三章 基于优化极限学习机的高光谱图像分类 | 第54-68页 |
| 3.1 引言 | 第54-55页 |
| 3.2 基于极限学习机的高光谱图像分类介绍 | 第55-56页 |
| 3.3 基于优化极限学习机的高光谱图像分类 | 第56-59页 |
| 3.3.1 隐含层神经元个数估计 | 第57-58页 |
| 3.3.2 基于高光谱图像分类的核极限学习机方法 | 第58-59页 |
| 3.4 实验结果与分析 | 第59-66页 |
| 3.4.1 真实高光谱数据集 1 | 第60-62页 |
| 3.4.2 真实高光谱数据集 2 | 第62-64页 |
| 3.4.3 真实高光谱数据集 3 | 第64-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 基于高效径向基神经网络的高光谱图像分类 | 第68-78页 |
| 4.1 引言 | 第68-69页 |
| 4.2 基于高光谱图像分类的径向基神经网络介绍 | 第69-71页 |
| 4.3 基于简单高效RBF神经网络的高光谱图像分类 | 第71-73页 |
| 4.3.1 基于空谱无参的RBF神经网络 | 第71-72页 |
| 4.3.2 并行计算架构 | 第72-73页 |
| 4.4 实验结果与分析 | 第73-76页 |
| 4.4.1 真实高光谱数据集 1 | 第73-75页 |
| 4.4.2 真实高光谱数据集 2 | 第75-76页 |
| 4.5 本章小结 | 第76-78页 |
| 第五章 基于光谱加权全变分的稀疏高光谱解混 | 第78-98页 |
| 5.1 引言 | 第78-80页 |
| 5.2 基于高光谱图像的稀疏解混介绍 | 第80-81页 |
| 5.3 基于邻域光谱加权的高光谱像元稀疏解混 | 第81-85页 |
| 5.4 实验结果与分析 | 第85-96页 |
| 5.4.1 模拟高光谱数据集 1 | 第85-92页 |
| 5.4.2 模拟高光谱数据集 2 | 第92-94页 |
| 5.4.3 真实高光谱图像 | 第94-96页 |
| 5.5 本章小结 | 第96-98页 |
| 第六章 基于区域协同的高光谱像元稀疏解混 | 第98-108页 |
| 6.1 引言 | 第98-99页 |
| 6.2 基于高光谱图像的像元协同稀疏解混 | 第99-100页 |
| 6.3 基于区域协同的高光谱像元稀疏解混 | 第100-102页 |
| 6.4 实验结果与分析 | 第102-107页 |
| 6.4.1 模拟数据集 1 | 第103-107页 |
| 6.4.2 真实高光谱图像 | 第107页 |
| 6.5 本章小结 | 第107-108页 |
| 第七章 结束语 | 第108-110页 |
| 参考文献 | 第110-124页 |
| 致谢 | 第124-126页 |
| 作者简介 | 第126-129页 |