基于稀疏图的高光谱数据维数约减
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 高光谱遥感的发展与应用 | 第16-18页 |
| 1.2 高光谱数据维数约减的意义与进展 | 第18-25页 |
| 1.2.1 高光谱数据的数据特性 | 第18-19页 |
| 1.2.2 常见的高光谱维数约简方法 | 第19-25页 |
| 1.3 基于稀疏图的维数约减 | 第25-29页 |
| 1.3.1 稀疏图的相关介绍 | 第25-27页 |
| 1.3.2 常见的基于稀疏图的维数约减方法 | 第27-29页 |
| 1.4 本文的工作安排和主要内容 | 第29-32页 |
| 第二章 基于双稀疏图的高光谱半监督维数约减 | 第32-60页 |
| 2.1 引言 | 第32-33页 |
| 2.2 基于双稀疏图的半监督维数约减 | 第33-43页 |
| 2.2.1 伪标记样本的选择 | 第33-35页 |
| 2.2.2 双稀疏图的构造 | 第35-37页 |
| 2.2.3 基于双稀疏图的半监督判别分析 | 第37-43页 |
| 2.3 实验结果与分析 | 第43-57页 |
| 2.3.1 在UCI数据集上的实验结果 | 第45-51页 |
| 2.3.2 在高光谱数据上的实验结果 | 第51-57页 |
| 2.4 本章小结 | 第57-60页 |
| 第三章 基于稀疏图学习的高光谱维数约减 | 第60-80页 |
| 3.1 引言 | 第60-61页 |
| 3.2 基于稀疏图学习的维数约减 | 第61-65页 |
| 3.2.1 稀疏图学习框架 | 第61-65页 |
| 3.2.2 空谱聚类 | 第65页 |
| 3.3 实验结果与分析 | 第65-78页 |
| 3.3.1 实验数据 | 第67页 |
| 3.3.2 分类结果 | 第67-76页 |
| 3.3.3 对空谱聚类的分析 | 第76页 |
| 3.3.4 收敛性分析 | 第76-77页 |
| 3.3.5 参数分析 | 第77-78页 |
| 3.4 本章小结 | 第78-80页 |
| 第四章 基于自适应稀疏图学习的维数约减 | 第80-98页 |
| 4.1 引言 | 第80-81页 |
| 4.2 基于自适应稀疏图学习的维数约减 | 第81-86页 |
| 4.2.1 算法思想 | 第81-83页 |
| 4.2.2 算法求解过程 | 第83-86页 |
| 4.2.3 算法的具体流程 | 第86页 |
| 4.3 实验结果与分析 | 第86-96页 |
| 4.3.1 UCI数据实验结果 | 第88-90页 |
| 4.3.2 人脸数据实验结果 | 第90-92页 |
| 4.3.3 高光谱数据实验结果 | 第92-96页 |
| 4.4 本章小结 | 第96-98页 |
| 第五章 基于多图集成的高光谱维数约减 | 第98-110页 |
| 5.1 引言 | 第98-99页 |
| 5.2 两种类型的图嵌入方法 | 第99-100页 |
| 5.3 基于多图集成的高光谱降维方法 | 第100-102页 |
| 5.3.1 Grassmann流形中的投影距离 | 第100-101页 |
| 5.3.2 基于多图集成的图嵌入 | 第101-102页 |
| 5.4 实验结果与分析 | 第102-109页 |
| 5.4.1 实验数据介绍 | 第103-104页 |
| 5.4.2 分类结果 | 第104-107页 |
| 5.4.3 参数分析 | 第107-109页 |
| 5.5 本章小结 | 第109-110页 |
| 第六章 基于空谱正则稀疏图的高光谱谱带选择 | 第110-124页 |
| 6.1 引言 | 第110页 |
| 6.2 基于空谱正则稀疏图的谱带选择 | 第110-115页 |
| 6.3 实验结果与分析 | 第115-122页 |
| 6.3.1 实验数据及实验设置 | 第115页 |
| 6.3.2 对比实验结果 | 第115-121页 |
| 6.3.3 参数分析实验 | 第121-122页 |
| 6.4 本章小结 | 第122-124页 |
| 第七章 本文工作的总结与展望 | 第124-128页 |
| 7.1 工作总结 | 第124-126页 |
| 7.2 工作展望 | 第126-128页 |
| 参考文献 | 第128-140页 |
| 致谢 | 第140-142页 |
| 作者简介 | 第142-144页 |
