深度学习算法在高光谱影像分类中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景，目的与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 高光谱影像数据特征提取方法 | 第10-11页 |
| 1.2.2 深度学习理论与应用 | 第11-12页 |
| 1.2.3 深度学习在高光谱遥感中的应用 | 第12-13页 |
| 1.3 本文主要的研究内容 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 影像非线性特性及Hughes现象分析 | 第16-24页 |
| 2.1 实验数据简介 | 第16-17页 |
| 2.1.1 数据来源 | 第16页 |
| 2.1.2 数据预处理 | 第16-17页 |
| 2.2 高光谱影像像元的非线性特性分析 | 第17-20页 |
| 2.2.1 高光谱成像技术机理 | 第17-18页 |
| 2.2.2 快速凸包算法 | 第18页 |
| 2.2.3 实验验证 | 第18-20页 |
| 2.3 高光谱影像分类中的Hughes现象 | 第20-23页 |
| 2.3.1 Hughes现象 | 第20-21页 |
| 2.3.2 主成分分析与朴素贝叶斯算法 | 第21-22页 |
| 2.3.3 实验验证 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 深度学习理论 | 第24-36页 |
| 3.1 深度学习理论主要方法分析 | 第24-25页 |
| 3.2 堆栈式自编码器 | 第25-29页 |
| 3.2.1 自编码器 | 第25-27页 |
| 3.2.2 堆栈式自编码器 | 第27-28页 |
| 3.2.3 堆栈式自编码器算法流程 | 第28-29页 |
| 3.3 深度信念网 | 第29-32页 |
| 3.3.1 受限玻尔兹曼机 | 第29-30页 |
| 3.3.2 深度信念网 | 第30-31页 |
| 3.3.3 深度信念网算法流程 | 第31-32页 |
| 3.4 分类器的选取 | 第32-35页 |
| 3.4.1 支持向量机 | 第32-34页 |
| 3.4.2 Softmax回归分类器 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于深度学习的高光谱影像分类 | 第36-52页 |
| 4.1 引言 | 第36-37页 |
| 4.2 基于堆栈式自编码器的分类模型的分类实验 | 第37-43页 |
| 4.2.1 自编码器模型分析 | 第37-39页 |
| 4.2.2 自编码器与传统方法的比较分析 | 第39-40页 |
| 4.2.3 堆栈式自编码器隐含层层数的影响分析 | 第40-42页 |
| 4.2.4 最优模型精度评价 | 第42-43页 |
| 4.3 基于深度信念网的分类模型的分类实验 | 第43-50页 |
| 4.3.1 受限玻尔兹曼机模型分析 | 第43-46页 |
| 4.3.2 受限玻尔兹曼机与传统方法的比较分析 | 第46-47页 |
| 4.3.3 深度信念网隐含层层数的影响分析 | 第47-49页 |
| 4.3.4 最优模型精度评价 | 第49-50页 |
| 4.4 两种最优模型比较 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于堆栈式自编码器的分类模型优化 | 第52-56页 |
| 5.1 稀疏自编码器 | 第52-53页 |
| 5.2 GPU并行运算下的高光谱影像分类 | 第53-55页 |
| 5.2.1 GPU运算 | 第53-54页 |
| 5.2.2 CUDA计算架构 | 第54-55页 |
| 5.2.3 实验验证 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间取得学术成果 | 第63页 |
