| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-29页 |
| ·研究的背景与意义 | 第15-16页 |
| ·遥感图像分类的国内外研究现状 | 第16-25页 |
| ·特征提取方法 | 第16-18页 |
| ·遥感图像分类方法 | 第18-23页 |
| ·无监督分类方法 | 第18-19页 |
| ·监督分类方法 | 第19-22页 |
| ·半监督分类方法 | 第22-23页 |
| ·核方法应用于遥感图像分类 | 第23-25页 |
| ·核方法的特征提取 | 第23-24页 |
| ·核方法的分类 | 第24-25页 |
| ·遥感图像分类方法存在的问题及分析 | 第25-27页 |
| ·论文的主要研究内容及结构安排 | 第27-29页 |
| 第二章 基于核理论框架的遥感图像分类系统 | 第29-43页 |
| ·核理论的原理 | 第29-35页 |
| ·核理论的产生与发展 | 第29-30页 |
| ·核的性质 | 第30-34页 |
| ·核的描述 | 第30-31页 |
| ·内积和半正定矩阵 | 第31-32页 |
| ·核的再生性 | 第32页 |
| ·构造复杂的核函数 | 第32-34页 |
| ·核模式分析方法的实现过程 | 第34-35页 |
| ·核方法的训练数据减少的体系结构 | 第35-36页 |
| ·核方法的非线性特征提取的体系结构 | 第36-37页 |
| ·核方法的分类体系结构 | 第37-42页 |
| ·核分类方法扩展 | 第37-38页 |
| ·核方法的分类体系结构流程 | 第38-42页 |
| ·数据归一化 | 第39页 |
| ·训练数据选取 | 第39页 |
| ·评价指标体系 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 非线性SVM 减少遥感图像分类中的训练数据方法 | 第43-52页 |
| ·引言 | 第43页 |
| ·算法原理 | 第43-45页 |
| ·实验及分析 | 第45-51页 |
| ·实验数据 | 第45-46页 |
| ·实验流程 | 第46-47页 |
| ·训练数据减少的实验结果 | 第47-49页 |
| ·分类性能评价 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 Greedy GDA 的非线性特征提取方法 | 第52-66页 |
| ·引言 | 第52-53页 |
| ·基于Greedy 技术的训练数据减少方法 | 第53-54页 |
| ·GGDA 方法的非线性特征提取 | 第54-56页 |
| ·GGDA 方法的实现步骤 | 第56-57页 |
| ·特征提取方法的综合实验及对比分析 | 第57-64页 |
| ·实验数据 | 第57页 |
| ·实验流程 | 第57-58页 |
| ·Greedy 技术的训练数据减少实验结果 | 第58-59页 |
| ·特征提取数据的分类结果及性能评价 | 第59-64页 |
| ·本章小结 | 第64-66页 |
| 第五章 半监督核模糊C-均值算法的遥感图像分类方法 | 第66-77页 |
| ·引言 | 第66页 |
| ·模糊C-均值算法 | 第66-67页 |
| ·半监督核模糊C-均值算法 | 第67-72页 |
| ·核模糊C-均值算法 | 第67-70页 |
| ·半监督模糊C-均值算法 | 第70-71页 |
| ·半监督核模糊C-均值算法的实现步骤 | 第71-72页 |
| ·分类综合实验及对比分析 | 第72-76页 |
| ·实验数据 | 第72页 |
| ·实验流程 | 第72-73页 |
| ·分类实验结果及分析 | 第73-74页 |
| ·分类算法的性能评价 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 耦合近邻样本密度和隶属度加权KFCM 算法的遥感图像分类方法 | 第77-94页 |
| ·引言 | 第77页 |
| ·近邻样本密度加权FCM 和KFCM 算法 | 第77-82页 |
| ·近邻样本密度的加权矩阵计算 | 第77-78页 |
| ·近邻样本密度加权FCM 算法 | 第78-80页 |
| ·近邻样本密度加权FCM 算法的推导 | 第78-79页 |
| ·近邻样本密度加权FCM 算法的实现 | 第79-80页 |
| ·近邻样本密度加权KFCM 算法 | 第80-82页 |
| ·近邻样本密度加权KFCM 算法的推导 | 第80-81页 |
| ·近邻样本密度加权KFCM 算法的实现 | 第81-82页 |
| ·近邻样本隶属度加权FCM 和KFCM 算法 | 第82-86页 |
| ·确定每个样本的近邻子集 | 第83页 |
| ·近邻样本的加权隶属度矩阵计算 | 第83-85页 |
| ·近邻样本隶属度加权KFCM 算法的实现 | 第85-86页 |
| ·近邻样本密度和隶属度加权FCM 和KFCM 算法及实现 | 第86-87页 |
| ·分类综合实验及对比分析 | 第87-93页 |
| ·实验数据 | 第87页 |
| ·实验流程 | 第87-89页 |
| ·分类性能的对比分析 | 第89-93页 |
| ·Iris 数据的分类实验结果及分析 | 第89-90页 |
| ·遥感图像的分类实验结果及分析 | 第90-93页 |
| ·本章小结 | 第93-94页 |
| 第七章 核光谱角匹配算法的遥感图像分类方法 | 第94-107页 |
| ·引言 | 第94页 |
| ·光谱角匹配算法 | 第94-95页 |
| ·核光谱角匹配算法 | 第95-97页 |
| ·分类实验及对比分析 | 第97-106页 |
| ·实验数据 | 第97页 |
| ·实验流程 | 第97-98页 |
| ·分类实验结果及评价 | 第98-106页 |
| ·Iris 数据的分类对比实验 | 第98-99页 |
| ·多光谱遥感图像的分类对比实验 | 第99-101页 |
| ·高光谱遥感图像的分类对比实验 | 第101-106页 |
| ·本章小结 | 第106-107页 |
| 第八章 遥感图像分类方法的对比验证 | 第107-118页 |
| ·实验流程 | 第107-108页 |
| ·Iris 数据的分类对比验证 | 第108-110页 |
| ·遥感图像的分类对比验证 | 第110-116页 |
| ·遥感图像的分类实验结果及分析 | 第110-113页 |
| ·遥感图像分类结果的对比评价 | 第113-116页 |
| ·算法的分类性能分析 | 第116-117页 |
| ·本章小结 | 第117-118页 |
| 第九章 总结与展望 | 第118-124页 |
| ·论文的主要工作和创新点 | 第118-120页 |
| ·论文中的核模式算法的核扩展形式及其不足之处 | 第120-121页 |
| ·论文中的核模式算法的核扩展形式 | 第120-121页 |
| ·论文中的核模式算法的不足之处 | 第121页 |
| ·论文工作的不足以及对未来工作的展望 | 第121-124页 |
| 致谢 | 第124-125页 |
| 参考文献 | 第125-142页 |
| 个人简历、攻读博士学位期间完成的科研情况及论文 | 第142-145页 |
