基于新型神经网络的高光谱遥感图像分类方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究目的和意义 | 第11-12页 |
| ·高光谱遥感概述 | 第12-13页 |
| ·国内外研究现状 | 第13-18页 |
| ·高光谱遥感图像降维 | 第13-15页 |
| ·高光谱遥感图像分类 | 第15-18页 |
| ·研究内容和技术路线 | 第18-19页 |
| ·研究内容 | 第18-19页 |
| ·技术路线 | 第19页 |
| ·本章小结 | 第19-20页 |
| 第二章 高光谱遥感图像的降维技术 | 第20-40页 |
| ·高光谱遥感图像降维的必要性 | 第20-21页 |
| ·高光谱遥感图像降维方法 | 第21-30页 |
| ·特征提取方法 | 第21-24页 |
| ·波段选择算法 | 第24-30页 |
| ·基于信息量的波段选择 | 第25-27页 |
| ·基于类间可分性的波段选择 | 第27-30页 |
| ·核 PCA 降维方法 | 第30-33页 |
| ·核 PCA 降维原理 | 第30-31页 |
| ·高光谱遥感图像的核 PCA 降维 | 第31-33页 |
| ·基于遗传算法的降维方法 | 第33-39页 |
| ·遗传算法的基本原理 | 第33-35页 |
| ·高光谱遥感图像的遗传算法降维 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 神经网络分类原理及分析 | 第40-60页 |
| ·神经网络简介 | 第40-41页 |
| ·传统的神经网络方法 | 第41-46页 |
| ·BP 神经网络 | 第41-44页 |
| ·径向基函数神经网络 | 第44-46页 |
| ·新型神经网络方法 | 第46-58页 |
| ·基于 Adaboost 算法的神经网络 | 第46-48页 |
| ·小波神经网络 | 第48-51页 |
| ·模糊神经网络 | 第51-52页 |
| ·架构层型神经网络 | 第52-55页 |
| ·极限学习机 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 第四章 基于新型神经网络方法的高光谱遥感图像分类 | 第60-80页 |
| ·OMIS-I 高光谱遥感图像预处理 | 第60-63页 |
| ·OMIS-I 数据介绍 | 第60-61页 |
| ·高光谱遥感图像的分类流程 | 第61-62页 |
| ·分类精度评价方法 | 第62-63页 |
| ·高光谱图像分类结果 | 第63-76页 |
| ·传统分类方法的分类结果 | 第63-66页 |
| ·SVM 方法的分类结果 | 第63-64页 |
| ·ISODATA 方法的分类结果 | 第64-66页 |
| ·BP 神经网络方法的分类结果 | 第66-67页 |
| ·新型神经网络的分类结果 | 第67-76页 |
| ·基于 Adaboost 算法的分类结果 | 第67-69页 |
| ·基于小波神经网络的分类结果 | 第69-70页 |
| ·基于模糊神经网络的分类结果 | 第70-71页 |
| ·架构型神经网络分类结果 | 第71-73页 |
| ·极限学习机分类结果 | 第73-74页 |
| ·遗传算法降维及优化神经网络的分类 | 第74-76页 |
| ·实验结果精度对比评价 | 第76-79页 |
| ·神经网络与传统分类方法的分类对比 | 第76-77页 |
| ·新型神经网络方法的分类对比 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-82页 |
| ·总结 | 第80-81页 |
| ·展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-89页 |
