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 |