| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.2.3 深度学习在遥感影像分类中的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.3.1 主要研究目标 | 第16-17页 |
| 1.3.2 主要研究内容 | 第17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-20页 |
| 2 深度学习理论 | 第20-32页 |
| 2.1 深度学习的起源与发展 | 第20-21页 |
| 2.2 几个主要的深度学习模型 | 第21-30页 |
| 2.2.1 深度置信网络 | 第21-24页 |
| 2.2.2 卷积神经网络 | 第24-26页 |
| 2.2.3 自动编码器 | 第26-30页 |
| 2.3 深度学习的应用 | 第30-31页 |
| 2.3.1 语音识别 | 第30-31页 |
| 2.3.2 自然语言处理 | 第31页 |
| 2.3.3 图像检索识别 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 实验数据 | 第32-38页 |
| 3.1 Aerial Image Dataset（AID）数据集 | 第32-33页 |
| 3.2 UC Merced_ LandUse数据集 | 第33-34页 |
| 3.3 数据预处理 | 第34-35页 |
| 3.4 评价指标 | 第35-36页 |
| 3.5 实验平台 | 第36页 |
| 3.6 本章小结 | 第36-38页 |
| 4 一种学习率参数自适应策略 | 第38-50页 |
| 4.1 参数自适应在分类中的研究情况 | 第38-39页 |
| 4.2 基于模拟退火思想的自适应学习策略 | 第39-41页 |
| 4.2.1 模拟退火思想 | 第39-40页 |
| 4.2.2 基于模拟退火思想的学习率自适应策略 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-48页 |
| 4.3.1 样本数据选择 | 第41页 |
| 4.3.2 最优参数设置 | 第41-43页 |
| 4.3.3 实验结果与分析 | 第43-46页 |
| 4.3.4 基于曲面拟合的精度验证 | 第46-48页 |
| 4.4 本章小结 | 第48-50页 |
| 5 基于多特征的SDAE分类算法研究 | 第50-70页 |
| 5.1 深度学习方法在UC Merced_LandUse集上的分类研究情况 | 第50-52页 |
| 5.2 SDAE模型分类性能探究 | 第52-54页 |
| 5.3 基于多特征的SDAE分类算法研究 | 第54-61页 |
| 5.3.1 基于多特征的SDAE分类算法 | 第55-56页 |
| 5.3.2 四种影像特征 | 第56-61页 |
| 5.4 实验与结果分析 | 第61-67页 |
| 5.4.1 最优模型选择 | 第62-63页 |
| 5.4.2 实验结果分析与对比评价 | 第63-67页 |
| 5.5 本章小结 | 第67-70页 |
| 6 结论与展望 | 第70-72页 |
| 6.1 结论 | 第70-71页 |
| 6.2 不足与展望 | 第71-72页 |
| 参考文献 | 第72-80页 |
| 致谢 | 第80-81页 |
