一种集成SVM的多源数据城区提取方法
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-16页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 国内外研究现状与问题 | 第11-14页 |
1.2.1 国内外研究现状 | 第11-13页 |
1.2.2 研究现状存在的问题 | 第13-14页 |
1.3 本论文的研究内容及章节安排 | 第14-16页 |
1.3.1 研究内容 | 第14-15页 |
1.3.2 章节安排 | 第15-16页 |
第二章 大尺度城区制图相关知识 | 第16-26页 |
2.1 概述 | 第16-17页 |
2.2 训练样本产生 | 第17-18页 |
2.3 分类器 | 第18-25页 |
2.3.1 随机森林 | 第18页 |
2.3.2 神经网络 | 第18-22页 |
2.3.3 支持向量机 | 第22-25页 |
2.4 本章小结 | 第25-26页 |
第三章 集成SVM的多源城区提取方法 | 第26-33页 |
3.1 方法概述 | 第26页 |
3.2 自动样本产生 | 第26-29页 |
3.3 集成SVM模型构建 | 第29-31页 |
3.4 基于斑块的自适应阈值 | 第31-32页 |
3.5 本章小结 | 第32-33页 |
第四章 实验数据与结果 | 第33-45页 |
4.1 研究区域及数据源 | 第33-37页 |
4.1.1 研究区域 | 第33-35页 |
4.1.2 数据源 | 第35-37页 |
4.2 实验安排 | 第37-38页 |
4.3 实验结果 | 第38-43页 |
4.4 本章小结 | 第43-45页 |
第五章 实验对比与分析 | 第45-59页 |
5.1 实验结果比较 | 第45-47页 |
5.2 实验方法的有效性 | 第47-57页 |
5.2.1 自动化的样本生成 | 第48-50页 |
5.2.2 多源数据集成 | 第50-52页 |
5.2.3 基于斑块的自适应阈值 | 第52-55页 |
5.2.4 算法代价 | 第55页 |
5.2.5 美国区域 | 第55-57页 |
5.3 本章小结 | 第57-59页 |
第六章 总结和展望 | 第59-61页 |
6.1 本文总结 | 第59-60页 |
6.2 研究展望 | 第60-61页 |
参考文献 | 第61-65页 |
研究生期间学术成果 | 第65-66页 |
致谢 | 第66页 |