基于机器学习方法的高光谱影像分类研究
| 摘要 | 第1-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第12-25页 |
| ·引言 | 第12-13页 |
| ·高光谱遥感技术研究现状 | 第13-17页 |
| ·成像光谱仪 | 第13-15页 |
| ·高光谱遥感应用领域 | 第15-16页 |
| ·高光谱影像处理技术 | 第16-17页 |
| ·机器学习研究概述 | 第17-21页 |
| ·机器学习的相关概念 | 第17-18页 |
| ·发展历程与研究方向 | 第18-20页 |
| ·在高光谱影像分类中的应用潜力 | 第20-21页 |
| ·论文研究内容 | 第21-22页 |
| ·论文组织结构 | 第22-25页 |
| 第二章 高光谱影像识别研究基础 | 第25-48页 |
| ·高光谱影像数据 | 第25-27页 |
| ·数据特点 | 第25-26页 |
| ·描述模型 | 第26-27页 |
| ·光谱特征模型分析 | 第27-30页 |
| ·高维空间样本分布 | 第27-28页 |
| ·波段间相关性分析 | 第28-29页 |
| ·“维数灾难”现象 | 第29-30页 |
| ·高光谱影像地物识别 | 第30-35页 |
| ·光谱匹配 | 第30-32页 |
| ·混合像元分解 | 第32-33页 |
| ·影像分类 | 第33-35页 |
| ·光谱特征选择与提取 | 第35-39页 |
| ·特征选择 | 第35-36页 |
| ·特征提取 | 第36-39页 |
| ·论文实验数据集 | 第39-47页 |
| ·AVIRIS Cuprite数据 | 第40-41页 |
| ·OMIS太湖数据 | 第41-42页 |
| ·PHI常州乡村数据 | 第42-43页 |
| ·AVIRIS KSC数据 | 第43-44页 |
| ·Hyperion Botswana数据 | 第44-46页 |
| ·OMIS枣园乡数据 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第三章 光谱特征提取方法研究 | 第48-72页 |
| ·核函数理论与核方法 | 第48-51页 |
| ·核函数理论 | 第48-50页 |
| ·核方法 | 第50-51页 |
| ·非负矩阵分解特征提取 | 第51-56页 |
| ·非负矩阵分解 | 第51-53页 |
| ·投影梯度算法 | 第53-54页 |
| ·改进的投影梯度算法 | 第54-56页 |
| ·非负矩阵分解特征提取实验 | 第56-62页 |
| ·收敛速度比较 | 第56-59页 |
| ·分类精度比较 | 第59-62页 |
| ·广义判别分析特征提取 | 第62-68页 |
| ·线性判别分析 | 第62-63页 |
| ·广义判别分析 | 第63-66页 |
| ·径向基核函数参数选择 | 第66-68页 |
| ·广义判别分析特征提取实验 | 第68-70页 |
| ·提取特征分析 | 第68-69页 |
| ·分类精度比较 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 第四章 简约集支持向量机分类 | 第72-96页 |
| ·统计学习理论 | 第72-75页 |
| ·可能近似正确学习模型 | 第72-73页 |
| ·Vapnik-Chervonenkis维数 | 第73-74页 |
| ·结构风险最小化原则 | 第74-75页 |
| ·支持向量机 | 第75-79页 |
| ·线性模型 | 第75-77页 |
| ·非线性模型 | 第77-78页 |
| ·常用的支持向量机 | 第78-79页 |
| ·训练过程优化 | 第79-84页 |
| ·快速优化算法 | 第79-81页 |
| ·参数选择方法 | 第81-82页 |
| ·多类构造方法 | 第82-84页 |
| ·简约集方法 | 第84-87页 |
| ·核方法的原像问题 | 第84-86页 |
| ·差分进化算法 | 第86-87页 |
| ·高光谱影像分类实验 | 第87-95页 |
| ·分类性能比较 | 第88-90页 |
| ·简约集方法实验分析 | 第90-95页 |
| ·本章小结 | 第95-96页 |
| 第五章 相关向量机模糊分类 | 第96-114页 |
| ·稀疏学习模型 | 第96-97页 |
| ·相关向量机 | 第97-101页 |
| ·稀疏贝叶斯回归 | 第97-99页 |
| ·稀疏贝叶斯分类 | 第99-101页 |
| ·训练过程优化 | 第101-104页 |
| ·快速优化算法 | 第101-104页 |
| ·多类分类构造 | 第104页 |
| ·影像模糊分类 | 第104-106页 |
| ·模糊集理论 | 第104-105页 |
| ·隶属度计算 | 第105-106页 |
| ·高光谱影像分类实验 | 第106-113页 |
| ·分类性能比较 | 第107-110页 |
| ·模糊分类实验分析 | 第110-113页 |
| ·本章小结 | 第113-114页 |
| 第六章 自适应提升集成分类 | 第114-132页 |
| ·弱可学习理论 | 第114-115页 |
| ·集成学习概述 | 第115-116页 |
| ·AdaBoost算法原理 | 第116-121页 |
| ·算法过程 | 第116-119页 |
| ·训练误差分析 | 第119-120页 |
| ·泛化误差分析 | 第120-121页 |
| ·AdaBoost算法优化 | 第121-124页 |
| ·Gentle AdaBoost | 第122-123页 |
| ·弱分类器设计 | 第123页 |
| ·多类分类构造 | 第123-124页 |
| ·高光谱影像分类实验 | 第124-129页 |
| ·迭代次数影响 | 第125-127页 |
| ·分类性能比较 | 第127-129页 |
| ·与SVM、RVM的比较 | 第129-130页 |
| ·本章小结 | 第130-132页 |
| 第七章 总结与展望 | 第132-134页 |
| ·完成工作的总结 | 第132-133页 |
| ·进一步研究的方向 | 第133-134页 |
| 参考文献 | 第134-143页 |
| 作者简历 攻读博士学位期间完成的主要工作 | 第143-145页 |
| 致谢 | 第145页 |
