| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| Extended Abstract | 第10-13页 |
| 目录 | 第13-17页 |
| 图清单 | 第17-19页 |
| 表清单 | 第19-22页 |
| 1 绪论 | 第22-31页 |
| ·研究背景与选题依据 | 第22-24页 |
| ·相关领域的国内外研究进展 | 第24-28页 |
| ·研究内容和章节安排 | 第28-29页 |
| ·主要成果 | 第29-31页 |
| 2 基于支持向量机的高光谱遥感影像分类理论与方法 | 第31-51页 |
| ·统计学习理论 | 第31-34页 |
| ·支持向量机 | 第34-38页 |
| ·SVM 分类中的若干关键问题 | 第38-39页 |
| ·论文软件工具与试验数据 | 第39-44页 |
| ·试验结果与分析 | 第44-50页 |
| ·本章小结 | 第50-51页 |
| 3 支持向量机分类中降维方法的研究 | 第51-66页 |
| ·特征维数理论 | 第51页 |
| ·降维方法 | 第51-53页 |
| ·试验结果与分析 | 第53-65页 |
| ·本章小结 | 第65-66页 |
| 4 基于分离性测度的多类支持向量机构建 | 第66-81页 |
| ·引言 | 第66页 |
| ·常用 SVM 多类分类算法 | 第66-71页 |
| ·基于分离性测度的多类SVM | 第71-73页 |
| ·试验结果与分析 | 第73-79页 |
| ·本章小结 | 第79-81页 |
| 5 再生核 Hilbert 空间小波核函数支持向量机构建 | 第81-91页 |
| ·引言 | 第81页 |
| ·再生核 Hilbert 空间的小波核函数 | 第81-84页 |
| ·试验结果与分析 | 第84-90页 |
| ·本章小结 | 第90-91页 |
| 6 基于多核支持向量机及组合光谱与纹理特征的分类 | 第91-114页 |
| ·引言 | 第91-92页 |
| ·多核支持向量机 | 第92-95页 |
| ·纹理与结构特征提取 | 第95-101页 |
| ·小波纹理的分类方法和流程 | 第101-103页 |
| ·试验结果与分析 | 第103-112页 |
| ·本章小结 | 第112-114页 |
| 7 结论与展望 | 第114-117页 |
| ·研究结论 | 第114-115页 |
| ·论文创新点 | 第115-116页 |
| ·研究展望 | 第116-117页 |
| 参考文献 | 第117-127页 |
| 作者简历 | 第127-130页 |
| 学位论文数据集 | 第130页 |