首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感技术的应用论文

基于支持向量机的遥感分类对比研究

摘要第1-4页
Abstracts第4-5页
目录第5-8页
第一章 绪论第8-15页
   ·引言第8-9页
   ·历史背景第9-10页
   ·国内外目前发展状况第10-13页
     ·理论上的发展第10-12页
     ·应用上的发展第12页
     ·主要研究热点第12-13页
   ·本文研究的主要内容第13-14页
     ·对于支持向量机理论的研究第13-14页
     ·对于 SMO算法研究与实现第14页
     ·遥感图像分类研究第14页
   ·小结第14-15页
第二章 支持向量机基本问题第15-35页
   ·统计学习理论(SLT)简介第15-18页
     ·VC维第16-17页
     ·结构风险最小化第17-18页
   ·支持向量机(SVM)介绍第18-25页
     ·广义最优分类面第19-21页
     ·支持向量机第21-22页
     ·核函数第22-23页
     ·核函数主成分分析第23-24页
     ·用于函数拟合的 SVM第24-25页
   ·序惯最小优化(SMO)介绍第25-29页
     ·两点解析第26-27页
     ·启发式选择算法第27-28页
     ·Karush-Kuhn-Tucker条件第28-29页
   ·二叉树层级分类相关介绍第29-34页
     ·支持向量机多类分类方法概述第29-31页
     ·样本选择方案第31页
     ·层次支持向量机多类分类第31-33页
     ·类间相似性度量概念第33-34页
   ·小结第34-35页
第三章 遥感 RS介绍第35-45页
   ·遥感数字图像介绍第35-37页
     ·遥感数字图像及其特征第35-37页
     ·遥感数字图像的获取第37页
     ·遥感数字图像的特点第37页
   ·遥感图像传统监督分类方法第37-42页
     ·最大似然法(Maximum Likelihood Classifier)第38-39页
     ·最小距离法(Minimum Distance Classifier)第39-40页
     ·平行管道法(Parallelpiped Classifier)第40页
     ·决策树分类法(Decision Tree Classifier)第40-42页
     ·监督分类流程第42页
   ·遥感工具 PCI介绍第42-44页
     ·Geomatica Fundamentals第43页
     ·Geomatica Prime第43-44页
   ·小节第44-45页
第四章 序小优化算法(SMO)实现与实验第45-57页
   ·分类器整体结构第45-47页
     ·对向量数据的支持第45-46页
     ·算法命令行实现第46-47页
   ·向量数据第47-49页
     ·离散二值化数据第47页
     ·离散非二值化数据第47-48页
     ·密集数据第48-49页
   ·向量数据的读取与分类结果输出第49-50页
     ·向量数据的读取第49-50页
     ·输出分类结果文件第50页
   ·训练支持向量机数据文件第50-53页
     ·训练支持向量文件流程第50-52页
     ·训练支持向量文件实验过程第52-53页
   ·待预测数据分类第53-54页
     ·输出预测结果流程第53页
     ·输出分类结果文件实验过程第53-54页
   ·核函数第54-56页
     ·内积函数第54-55页
     ·多项式核函数第55页
     ·高斯核函数第55-56页
   ·小节第56-57页
第五章 遥感数据的分类实验对比分析第57-66页
   ·实验数据介绍及纹理提取方法流程第57-61页
     ·试验数据介绍及试验环境第57-58页
     ·纹理特征提取流程及实验第58-61页
   ·实验方法流程与实验结果对比分析第61-66页
     ·实验方法及流程第61-63页
     ·实验结果对比分析第63-66页
第六章 结论与展望第66-69页
   ·总结第66-67页
   ·展望第67-69页
参考文献第69-72页
致谢第72-73页
附录A 攻读硕士学位期间发表的论文第73页
附录B 论文关键字第73页

论文共73页,点击 下载论文
上一篇:MIMO-OFDM系统中的信道估计技术
下一篇:连续相位调制(CPM)技术研究