| 摘要 | 第1页 |
| Abstract | 第7-8页 |
| 详细摘要 | 第8-10页 |
| Detailed Abstract | 第10-16页 |
| 1 引言 | 第16-36页 |
| ·研究背景及意义 | 第16-17页 |
| ·高光谱遥感技术 | 第17-22页 |
| ·高光谱遥感 | 第17-18页 |
| ·高光谱遥感的发展现状 | 第18-20页 |
| ·高光谱遥感的应用领域 | 第20-21页 |
| ·高光谱遥感图像处理技术 | 第21-22页 |
| ·主动学习技术简介 | 第22-26页 |
| ·基于样本不确定性 | 第23-25页 |
| ·基于查询专家委员会 | 第25-26页 |
| ·国内外研究现状及趋势 | 第26-30页 |
| ·熵值装袋查询的主动学习分类算法 | 第27页 |
| ·自适应不一致最大化的主动学习分类算法 | 第27-28页 |
| ·边缘抽样的主动学习算法 | 第28页 |
| ·基于多层次不确定性抽样的主动学习算法 | 第28页 |
| ·基于空间重构的抽样的主动学习算法 | 第28-29页 |
| ·Kullback-Leibler 最大化的主动学习算法 | 第29页 |
| ·Breaking Ties 算法的主动学习算法 | 第29-30页 |
| ·目前存在的问题 | 第30-31页 |
| ·本文的主要内容和创新点 | 第31-32页 |
| ·本文的主要研究内容 | 第31-32页 |
| ·本文的创新点 | 第32页 |
| ·本文的组织结构 | 第32-34页 |
| ·小结 | 第34-36页 |
| 2 相关理论基础 | 第36-46页 |
| ·高光谱遥感图像数据的特性 | 第36-40页 |
| ·高光谱遥感图像的数据模型 | 第36-37页 |
| ·Hughes 现象 | 第37-38页 |
| ·高光谱遥感图像地物分类基准图像数据集和评价指标 | 第38-40页 |
| ·核函数 | 第40-42页 |
| ·半监督学习 | 第42-44页 |
| ·小结 | 第44-46页 |
| 3 基于多边缘模式的主动学习算法 | 第46-64页 |
| ·引言 | 第46-47页 |
| ·基于多边缘模式的主动学习分类算法 | 第47-55页 |
| ·不确定准则 | 第49-50页 |
| ·多样性准则 | 第50-52页 |
| ·核 k 均值算法自适应核函数构造 | 第52-53页 |
| ·核 k 均值算法高效的计算过程 | 第53-55页 |
| ·基于支持向量机高光谱遥感图像分类的优化设计 | 第55-56页 |
| ·基于多边缘主动学习的高光谱遥感图像数据分类算法描述 | 第56-57页 |
| ·实验与分析 | 第57-62页 |
| ·实验建立 | 第57页 |
| ·实验结果及分析 | 第57-62页 |
| ·小结 | 第62-64页 |
| 4 基于拉普拉斯图的主动学习算法 | 第64-78页 |
| ·引言 | 第64-65页 |
| ·基于拉普拉斯图的主动学习算法 | 第65-70页 |
| ·拉普拉斯优化实验设计 | 第65-68页 |
| ·核拉普拉斯优化实验设计 | 第68-70页 |
| ·拉普拉斯主动学习优化算法 | 第70-71页 |
| ·基于拉普拉斯图的流形主动学习算法描述 | 第71-72页 |
| ·实验与分析 | 第72-77页 |
| ·实验的建立 | 第72-73页 |
| ·实验结果及分析 | 第73-77页 |
| ·小结 | 第77-78页 |
| 5 基于转导流形优化的主动学习算法 | 第78-98页 |
| ·引言 | 第78-80页 |
| ·基于转导流形优化实验设计的主动学习算法 | 第80-88页 |
| ·转导优化实验设计算法 | 第81-83页 |
| ·流形自适应核 | 第83-86页 |
| ·转导流形实验设计凸优化算法 | 第86-88页 |
| ·用于高光谱遥感图像地物分类的简化支持向量机 | 第88-90页 |
| ·基于转导流形优化设计的主动学习算法描述 | 第90-91页 |
| ·实验与分析 | 第91-96页 |
| ·实验的建立 | 第91-92页 |
| ·实验结果及分析 | 第92-96页 |
| ·小结 | 第96-98页 |
| 6 总结和展望 | 第98-102页 |
| ·总结 | 第98-100页 |
| ·展望 | 第100-102页 |
| 参考文献 | 第102-108页 |
| 致谢 | 第108-110页 |
| 作者简介 | 第110页 |
| 在学期间发表的学术论文 | 第110页 |