| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·极化 SAR 图像地物分类问题 | 第7-8页 |
| ·极化 SAR 简介 | 第7页 |
| ·极化 SAR 分类方法 | 第7-8页 |
| ·半监督学习的研究现状 | 第8-10页 |
| ·本文研究内容及结构安排 | 第10-11页 |
| 第二章 半监督 SVM 学习与极化 SAR 分析基础 | 第11-21页 |
| ·SVM 分类器原理 | 第11-12页 |
| ·半监督 SVM 算法核心思想 | 第12-13页 |
| ·S4VMs | 第13-15页 |
| ·极化 SAR 中的极化信息 | 第15-16页 |
| ·经典的极化 SAR 特征表达 | 第16-18页 |
| ·基于 H/alpha 分解的分类方法 | 第18-21页 |
| ·H/alpha 分类平面 | 第18-19页 |
| ·H/alpha- wishart 分类算法 | 第19-21页 |
| 第三章 基于半监督 SVM 和 MeanShift 的极化 SAR 地物分类方法 | 第21-31页 |
| ·引言 | 第21页 |
| ·协同训练 | 第21-22页 |
| ·Mean-Shift 图像分割算法 | 第22-24页 |
| ·基于半监督 SVM 和 Meanshift 的协同训练分类框架 | 第24-26页 |
| ·算法设计思想 | 第24页 |
| ·基于半监督 SVM 和 Meanshift 的极化 SAR 分类 | 第24-26页 |
| ·实验结果及分析 | 第26-31页 |
| 第四章 一种半监督 SVM 集成学习算法 | 第31-49页 |
| ·半监督 SVM 算法在数据分布未知情况下的局限性分析 | 第31页 |
| ·集成学习策略及现有的集成 SVM 算法 | 第31-33页 |
| ·集成学习 | 第31-33页 |
| ·现有的 SVM 集成算法 | 第33页 |
| ·一种集成半监督 SVM 算法 | 第33-39页 |
| ·分类器的多样性 | 第33-35页 |
| ·集成学习策略 | 第35-38页 |
| ·一种半监督 SVM 集成学习算法 | 第38-39页 |
| ·实验结果及分析 | 第39-49页 |
| ·分类器差异算法有效性 | 第39-40页 |
| ·算法有效性实验 | 第40-41页 |
| ·非平衡训练样本下的算法有效性实验 | 第41-45页 |
| ·参数对算法性能的影响 | 第45-49页 |
| 第五章 半监督SVM集成学习的多分类策略及其在极化SAR地物分类上的应用 | 第49-63页 |
| ·多分类策略 | 第49-54页 |
| ·典型多分类策略 | 第49-50页 |
| ·半监督 SVM 集成学习算法的多分类策略 | 第50-54页 |
| ·基于集成半监督 SVM 的极化 SAR 分类 | 第54-55页 |
| ·实验结果与分析 | 第55-63页 |
| ·半监督 SVM 集成学习算法的多分类实验 | 第55-60页 |
| ·半监督 SVM 集成学习在极化 SAR 数据上的实验 | 第60-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者硕士在读期间的研究成果 | 第73-74页 |
