| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 高光谱遥感技术简介 | 第11-14页 |
| 1.1.1 高光谱遥感图像的概念 | 第11-12页 |
| 1.1.2 高光谱遥感图像的数据特点 | 第12-14页 |
| 1.2 高光谱图像的分类技术 | 第14-17页 |
| 1.2.1 高光谱遥感图像的分类原理 | 第14-15页 |
| 1.2.2 无监督分类算法 | 第15-16页 |
| 1.2.3 监督分类算法 | 第16-17页 |
| 1.3 半监督分类算法 | 第17-20页 |
| 1.3.1 研究背景及意义 | 第17-18页 |
| 1.3.2 半监督分类算法研究现状 | 第18-20页 |
| 1.4 论文章节安排 | 第20-22页 |
| 第2章 支持向量机算法和基于图算法的基础理论 | 第22-38页 |
| 2.1 支持向量机理论研究 | 第22-27页 |
| 2.1.1 SVM算法的概述及统计学习理论 | 第22-23页 |
| 2.1.2 VC理论 | 第23-24页 |
| 2.1.3 经验风险及学习过程一致性 | 第24-25页 |
| 2.1.4 结构风险最小化原理 | 第25-27页 |
| 2.2 支持向量机分类原理 | 第27-30页 |
| 2.2.1 支持向量机分类原理 | 第27-30页 |
| 2.2.2 SVM多分类结构 | 第30页 |
| 2.3 图论的基础概念 | 第30-32页 |
| 2.3.1 图的构造 | 第30-32页 |
| 2.3.2 能量函数的定义 | 第32页 |
| 2.4 基于图的半监督分类算法 | 第32-37页 |
| 2.4.1 标签传递算法 | 第32-35页 |
| 2.4.2 基于图的最小分割算法 | 第35页 |
| 2.4.3 高斯随机场算法 | 第35页 |
| 2.4.4 流形正则化方法 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 结合LLGC和LS-SVM的半监督分类算法 | 第38-51页 |
| 3.1 最小二乘支持向量机 | 第38-39页 |
| 3.2 局部和全局一致性学习方法 | 第39-41页 |
| 3.2.1 算法步骤 | 第39-40页 |
| 3.2.2 算法收敛性分析 | 第40页 |
| 3.2.3 算法的学习框架 | 第40-41页 |
| 3.3 结合LLGC和LS-SVM的半监督分类算法 | 第41-43页 |
| 3.4 实验部分 | 第43-50页 |
| 3.4.1 实验数据 | 第43页 |
| 3.4.2 实验参数设置 | 第43-44页 |
| 3.4.3 实验结果及分析 | 第44-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 引入负相似的LapSVM半监督分类 | 第51-68页 |
| 4.1 LapSVM | 第51-54页 |
| 4.1.1 LapSVM概念 | 第51-53页 |
| 4.1.2 LapSVM求解过程 | 第53-54页 |
| 4.2 LNP算法 | 第54-56页 |
| 4.3 引入负相似的LapSVM | 第56-59页 |
| 4.4 实验部分 | 第59-67页 |
| 4.4.1 实验数据 | 第59页 |
| 4.4.2 实验参数设置 | 第59-60页 |
| 4.4.3 实验结果与分析 | 第60-67页 |
| 4.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
| 致谢 | 第77页 |