| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.1.1 PolSAR研究背景与意义 | 第17-18页 |
| 1.1.2 集成学习研究背景与意义 | 第18页 |
| 1.2 集成学习与PolSAR分类研究现状 | 第18-20页 |
| 1.2.1 PolSAR分类研究现状 | 第18-19页 |
| 1.2.2 集成学习研究现状 | 第19-20页 |
| 1.3 本文研究内容与结构安排 | 第20-23页 |
| 第二章 集成学习与半监督学习 | 第23-29页 |
| 2.1 集成学习 | 第23-25页 |
| 2.1.1 AdaBoost算法 | 第23-24页 |
| 2.1.2 Ave Boost2算法算法 | 第24-25页 |
| 2.2 半监督学习 | 第25-29页 |
| 2.2.1 半监督学习思想 | 第25-27页 |
| 2.2.2 半监督学习方法 | 第27-29页 |
| 第三章 基于集成学习AdaBoost的PolSAR图像监督分类方法 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 PolSAR散射分解及图像的纹理特征 | 第29-32页 |
| 3.2.1 PolSAR偏振参数与极化分解 | 第29-31页 |
| 3.2.2 PolSAR图像纹理特征 | 第31-32页 |
| 3.3 基于集成学习AdaBoost的PolSAR图像监督分类方法 | 第32-35页 |
| 3.3.1 算法设计思路 | 第32-33页 |
| 3.3.2 Knn引入抗噪因子 | 第33-34页 |
| 3.3.3 算法流程 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-39页 |
| 3.4.1 模拟PolSAR实验结果 | 第36页 |
| 3.4.2 Flevoland地区实验结果 | 第36-38页 |
| 3.4.3 Oberpfaffenhofen地区实验结果 | 第38页 |
| 3.4.4 San Francisco地区实验结果 | 第38-39页 |
| 3.4.5 西安地区实验结果 | 第39页 |
| 3.5 本章小结 | 第39-45页 |
| 第四章 基于集成学习AdaBoost的PolSAR图像半监督分类方法 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 基于集成学习AdaBoost的PolSAR图像半监督分类方法 | 第45-48页 |
| 4.2.1 算法设计思路 | 第45-46页 |
| 4.2.2 Wishart距离度量 | 第46-47页 |
| 4.2.3 半监督的实现过程 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-54页 |
| 4.3.1 模拟PolSAR实验结果 | 第48-49页 |
| 4.3.2 Flevoland地区实验结果 | 第49-51页 |
| 4.3.3 Oberpfaffenhofen地区实验结果 | 第51-52页 |
| 4.3.4 San Francisco地区实验结果 | 第52-53页 |
| 4.3.5 西安地区实验结果 | 第53-54页 |
| 4.4 本章小结 | 第54-59页 |
| 第五章 基于集成学习的标签噪声水平预测方法 | 第59-69页 |
| 5.1 引言 | 第59页 |
| 5.2 集成学习中识别标签噪声的方法 | 第59-61页 |
| 5.2.1 基于Boosting的方法 | 第59-60页 |
| 5.2.2 基于Bagging的方法 | 第60页 |
| 5.2.3 鉴定标签噪声算法性能的参数 | 第60-61页 |
| 5.3 基于集成学习的标签噪声水平预测方法EEL | 第61-63页 |
| 5.3.1 算法的设计思路 | 第61页 |
| 5.3.2 基于集成学习的标签噪声水平预测方法EEL | 第61-62页 |
| 5.3.3 算法实现过程 | 第62-63页 |
| 5.4 实验结果与分析 | 第63-68页 |
| 5.4.1 UCI实验结果 | 第63-65页 |
| 5.4.2 模拟PolSAR实验结果 | 第65-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |
