| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·海面溢油监测的意义 | 第10-11页 |
| ·海面溢油监测的方法综述 | 第11-15页 |
| ·海面溢油监测的技术 | 第11-13页 |
| ·溢油信息的分析与识别技术综述 | 第13-15页 |
| ·本课题研究的总体实施思路 | 第15-17页 |
| 第2章 激光遥感技术监测海面溢油 | 第17-20页 |
| ·激光荧光遥感技术监测溢油原理 | 第17-18页 |
| ·激光遥感系统 | 第18页 |
| ·激光遥感系统的研究热点和技术难点 | 第18-20页 |
| 第3章 溢油识别的人工神经网络算法研究 | 第20-31页 |
| ·人工神经网络技术的介绍 | 第20-27页 |
| ·人工神经网络的概述 | 第20页 |
| ·BP网络 | 第20-24页 |
| ·径向基网络 | 第24-27页 |
| ·溢油识别的理论分析与建模 | 第27-31页 |
| ·BP网络建模 | 第27-29页 |
| ·RBF网络建模 | 第29-31页 |
| 第4章 溢油识别的支持向量机算法研究 | 第31-49页 |
| ·机器学习的基本问题 | 第31-34页 |
| ·学习问题的一般表示 | 第31-32页 |
| ·经验风险最小化 | 第32-33页 |
| ·复杂性与推广能力 | 第33-34页 |
| ·统计学习理论的核心内容 | 第34-36页 |
| ·VC维 | 第34页 |
| ·推广性的界 | 第34-35页 |
| ·结构风险最小化 | 第35-36页 |
| ·支持向量机 | 第36-47页 |
| ·线性可分情形 | 第37-39页 |
| ·线性不可分情形 | 第39-40页 |
| ·支持向量机 | 第40-42页 |
| ·核函数 | 第42-43页 |
| ·多类分类问题 | 第43-45页 |
| ·SVM的训练算法 | 第45-47页 |
| ·SVM建模 | 第47-49页 |
| 第5章 光谱数据的获取及海面溢油光谱识别系统的数据准备 | 第49-56页 |
| ·光谱数据的采集 | 第49页 |
| ·设备的介绍 | 第49-51页 |
| ·实验的过程 | 第51-53页 |
| ·实验的结果 | 第53-54页 |
| ·海面溢油光谱识别系统的数据准备 | 第54-56页 |
| 第6章 海面溢油光谱识别系统的实现及测试 | 第56-66页 |
| ·开发算法系统的工具选择 | 第56-57页 |
| ·人工神经网络与支持向量机的计算过程 | 第57-60页 |
| ·软件编写步骤 | 第60-63页 |
| ·生成VC主界面 | 第60-61页 |
| ·编写后台执行的M文件 | 第61页 |
| ·VC++6.0集成环境中建立Matlab引擎程序 | 第61-63页 |
| ·Matlab中添加Libsvm工具箱 | 第63页 |
| ·人工神经网络和支持向量机的识别结果 | 第63-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 攻读学位期间公开发表论文 | 第69-70页 |
| 致谢 | 第70-71页 |
| 研究生履历 | 第71页 |