| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景和意义 | 第10-14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 第2章 支持向量机的基本原理 | 第16-40页 |
| ·支持向量机的理论背景 | 第16-22页 |
| ·风险最小化 | 第17页 |
| ·经验风险最小化(Empirical Risk Minimization，ERM) | 第17-18页 |
| ·学习过程一致性的条件 | 第18-19页 |
| ·VC维 | 第19-20页 |
| ·结构风险最小化(Structure Risk Minimization，SRM) | 第20-22页 |
| ·支持向量机 | 第22-34页 |
| ·最优分类超平面及其分类的最大边缘思想 | 第23-25页 |
| ·线性支持向量机 | 第25-28页 |
| ·非线性支持向量机 | 第28-32页 |
| ·支持向量机用于分类 | 第32-34页 |
| ·最小二乘法支持向量机 | 第34-36页 |
| ·支持向量机研究和应用现状及前景 | 第36-38页 |
| ·支持向量机研究现状 | 第36-38页 |
| ·支持向量机应用现状 | 第38页 |
| ·值得研究的问题 | 第38页 |
| ·本章小结 | 第38-40页 |
| 第3章 基于SVM的航空影像分割和分类 | 第40-72页 |
| ·引言 | 第40页 |
| ·SVM的分解算法 | 第40-44页 |
| ·基于SVM的航空影像分割和分类 | 第44-49页 |
| ·纹理特征 | 第44-45页 |
| ·航空影像纹理分类 | 第45-46页 |
| ·航空影像纹理分割 | 第46-49页 |
| ·试验与分析 | 第49-70页 |
| ·航空影像纹理分类试验 | 第49-53页 |
| ·航空影像分割试验 | 第53-68页 |
| ·Brodatz影像纹理分类与分割 | 第68-70页 |
| ·讨论与结论 | 第70页 |
| ·讨论 | 第70页 |
| ·结论 | 第70页 |
| ·本章小结 | 第70-72页 |
| 第4章 遗传模糊-C均值的样本预选取方法 | 第72-87页 |
| ·引言 | 第72页 |
| ·遗传模糊C-均值 | 第72-77页 |
| ·遗传算法与模糊C-均值 | 第72-75页 |
| ·遗传FCM样本预选取方法 | 第75-77页 |
| ·实验与分析 | 第77-86页 |
| ·本章小结 | 第86-87页 |
| 第5章 最小二乘支持向量机 | 第87-100页 |
| ·引言 | 第87页 |
| ·最小二乘支持向量机的算法 | 第87-92页 |
| ·最小二乘支持向量机的Lagrange算法 | 第88-90页 |
| ·LS-SVM的稀疏化处理 | 第90-92页 |
| ·LS-SVM用于航空影像分割 | 第92-98页 |
| ·讨论与结论 | 第98-99页 |
| ·讨论 | 第98页 |
| ·结论 | 第98-99页 |
| ·本章小结 | 第99-100页 |
| 第6章 综合实验分析 | 第100-113页 |
| ·实验途径与内容 | 第100页 |
| ·实验结果与分析 | 第100-113页 |
| ·神经网络用于航空影像分类与分割 | 第101-110页 |
| ·FCM用于航空影像分割 | 第110-113页 |
| 结束语 | 第113-115页 |
| 一、 本文的主要贡献与创新之处 | 第113-114页 |
| 二、 存在有待进一步解决的问题和研究展望 | 第114-115页 |
| 参考文献 | 第115-123页 |
| 攻读博士学位期间发表的主要论文 | 第123-124页 |