| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 研究意义 | 第15-16页 |
| 1.3 研究现状 | 第16-18页 |
| 1.4 论文安排 | 第18-20页 |
| 第二章 基于量子进化算法的超参数优化 | 第20-42页 |
| 2.1 常用的机器学习模型 | 第20-25页 |
| 2.1.1 支持向量机模型 | 第20-23页 |
| 2.1.2 随机森林集成模型 | 第23-24页 |
| 2.1.3 神经网络模型 | 第24-25页 |
| 2.2 常用的优化算法 | 第25-33页 |
| 2.2.1 目标函数可求导的优化算法 | 第26-28页 |
| 2.2.2 进化算法 | 第28-29页 |
| 2.2.3 量子遗传算法 | 第29-33页 |
| 2.3 基于单个体量子遗传算法的超参数优化 | 第33-36页 |
| 2.3.1 超参数优化问题表述 | 第33-35页 |
| 2.3.2 基于单个体量子遗传算法的超参数优化框架 | 第35-36页 |
| 2.4 实验 | 第36-40页 |
| 2.4.1 实验描述 | 第37-38页 |
| 2.4.2 实验结果 | 第38-40页 |
| 2.4.3 实验分析 | 第40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于数据驱动的超参数优化 | 第42-60页 |
| 3.1 数据驱动优化的相关介绍 | 第42-43页 |
| 3.2 贝叶斯优化 | 第43-49页 |
| 3.2.1 高斯过程回归 | 第43-47页 |
| 3.2.2 采集函数 | 第47-48页 |
| 3.2.3 算法步骤 | 第48-49页 |
| 3.3 基于多元自适应回归样条的超参数优化 | 第49-53页 |
| 3.3.1 MARS的相关背景介绍 | 第49-50页 |
| 3.3.2 MARS算法 | 第50-52页 |
| 3.3.3 基于MARS的超参数优化算法框架 | 第52-53页 |
| 3.4 实验 | 第53-59页 |
| 3.4.1 实验描述 | 第53-55页 |
| 3.4.2 实验结果 | 第55-58页 |
| 3.4.3 实验分析 | 第58-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 数据驱动优化在SAR图像变化检测中的应用 | 第60-72页 |
| 4.1 SAR图像变化检测的相关介绍 | 第60-61页 |
| 4.1.1 差异图的生成 | 第60-61页 |
| 4.1.2 差异图的分析 | 第61页 |
| 4.2 基于数据驱动优化的阈值法 | 第61-64页 |
| 4.2.1 径向基函数(RBF)回归模型 | 第61-62页 |
| 4.2.2 GKIT算法 | 第62-64页 |
| 4.2.3 基于数据驱动优化的阈值法 | 第64页 |
| 4.3 基于深度信念网络的SAR图像变化检测算法超参数优化 | 第64-66页 |
| 4.4 实验 | 第66-71页 |
| 4.4.1 实验描述 | 第66-69页 |
| 4.4.2 实验结果 | 第69-71页 |
| 4.4.3 实验分析 | 第71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 本文总结 | 第72页 |
| 5.2 未来工作展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-84页 |