首页--天文学、地球科学论文--地质、矿产普查与勘探论文--遥感勘探论文

基于蚁群算法和支持向量机的矿化蚀变信息提取研究

摘要第1-6页
ABSTRACT第6-12页
第一章 绪论第12-23页
   ·研究背景和意义第12-13页
   ·国内外研究现状第13-19页
     ·矿化蚀变信息提取研究及应用现状第13-16页
     ·蚁群算法研究及应用现状第16-17页
     ·支持向量机研究及应用现状第17-19页
   ·研究内容及主要创新点第19-23页
     ·研究内容及技术路线第19-21页
     ·主要创新点第21-23页
第二章 岩石矿物光谱特征研究第23-35页
   ·引言第23页
   ·矿化蚀变信息提取的机理第23-25页
   ·矿物的反射光谱第25-30页
     ·影响矿物光谱的因素第25-26页
     ·典型蚀变矿物的光谱特征第26-30页
   ·岩石的反射光谱第30-34页
     ·影响岩石光谱特征的因素第30-31页
     ·不同类型岩石的光谱特征第31-34页
   ·本章小结第34-35页
第三章 研究区概况及数据预处理第35-47页
   ·引言第35页
   ·研究区概况第35-43页
     ·地理交通概况第35-38页
     ·以往地质工作程度第38页
     ·区域地质背景第38-41页
     ·金属矿产概况第41-42页
     ·成矿地质条件分析第42-43页
   ·遥感数据及数据预处理第43-46页
     ·遥感数据来源第43-44页
     ·图像预处理第44-46页
   ·本章小结第46-47页
第四章 蚁群算法优化SVM参数研究第47-72页
   ·引言第47页
   ·支持向量机概述第47-61页
     ·SVM的理论基础第47-51页
     ·SVM的基本原理第51-58页
     ·SVM的训练算法第58-59页
     ·SVM的特点第59页
     ·SVM参数对其性能的影响第59-61页
   ·蚁群优化算法第61-67页
     ·蚁群算法概述第61-63页
     ·蚁群算法基本原理第63-65页
     ·蚁群算法中参数的选择第65-67页
   ·蚁群算法优化SVM参数的算法设计第67-70页
   ·仿真实验第70-71页
   ·本章小结第71-72页
第五章 基于支持向量机矿化信息提取研究第72-96页
   ·引言第72页
   ·基于光谱相似尺度的SVM矿化信息提取实验第72-78页
     ·引言第72页
     ·光谱相似尺度基本原理第72-73页
     ·基于光谱相似尺度的SVM矿化信息提取实验第73-78页
   ·基于主成分分析的SVM矿化信息提取实验第78-85页
     ·引言第78页
     ·主成分分析基本原理第78-80页
     ·基于主成分分析的SVM矿化信息提取实验第80-85页
   ·基于纹理和光谱的SVM矿化信息提取实验第85-95页
     ·引言第85-86页
     ·纹理特征分析第86-90页
     ·基于纹理和光谱的SVM矿化信息提取实验第90-95页
   ·本章小结第95-96页
第六章 基于蚁群算法的光谱分解方法第96-108页
   ·引言第96页
   ·蚂蚁移动规则第96-97页
   ·光谱混合分析第97-101页
     ·光谱混合模型第97-98页
     ·线性光谱混合模型第98-99页
     ·线性混合端元组分选取方法第99-101页
   ·基于蚁群算法的光谱分解算法第101-104页
   ·实验及结果分析第104-107页
   ·本章小结第107-108页
第七章 基于蚁群算法的泥化蚀变信息提取研究第108-114页
   ·引言第108页
   ·蚁群算法提取泥化蚀变信息的机理第108-109页
   ·基于蚁群的泥化蚀变信息提取算法第109-111页
   ·实验及结果分析第111-113页
   ·本章小结第113-114页
第八章 结论与展望第114-116页
   ·主要成果第114-115页
   ·后续研究与工作展望第115-116页
参考文献第116-127页
攻读博士学位期间发表的学术论文第127页
攻读博士学位期间参加的科研项目第127-128页
致谢第128页

论文共128页,点击 下载论文
上一篇:基于模糊模型预测控制的重载组合列车机车制动控制策略研究
下一篇:非集中式网格资源发现和管理模型及关键技术研究