| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-26页 |
| ·课题的背景和研究意义 | 第13-15页 |
| ·高光谱成像技术的发展和高光谱图像的特点 | 第15-20页 |
| ·高光谱成像技术的发展 | 第15-18页 |
| ·高光谱图像的特点 | 第18-19页 |
| ·高光谱遥感技术的国内研究现状 | 第19-20页 |
| ·高光谱图像分类处理算法和端元提取算法的国内外研究现状 | 第20-24页 |
| ·课题的主要研究内容及结构安排 | 第24-26页 |
| 第2章 SVM 和 RVM 在高光谱图像分类中的性能评价 | 第26-49页 |
| ·SVM 理论研究 | 第26-37页 |
| ·VC 维 | 第26-27页 |
| ·经验风险最小化准则 | 第27页 |
| ·结构风险最小化准则 | 第27-29页 |
| ·凸规划的对偶理论 | 第29-30页 |
| ·C-支持向量分类机 | 第30-33页 |
| ·支持向量机的变形与拓展 | 第33-37页 |
| ·最小二乘支持向量机 | 第33-35页 |
| ·v-支持向量机 | 第35-37页 |
| ·RVM 理论研究 | 第37-40页 |
| ·贝叶斯模型 | 第37-39页 |
| ·模型参数估计 | 第39页 |
| ·相关向量机分类 | 第39-40页 |
| ·SVM 和 RVM 中核函数的选取 | 第40-41页 |
| ·k 折交叉验证 | 第41-42页 |
| ·多类分类器 | 第42-44页 |
| ·一对一分类器 | 第42-43页 |
| ·一类对余类分类器 | 第43页 |
| ·纠错输出编码分类器 | 第43-44页 |
| ·SVM 和 RVM 分类性能评价 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第3章 高光谱图像蒙特卡罗特征降维算法研究 | 第49-63页 |
| ·高光谱图像特征降维的研究意义 | 第49-50页 |
| ·高光谱图像特征降维的常用方法 | 第50-55页 |
| ·主成分分析 | 第50-51页 |
| ·F-分值特征选择方法 | 第51-52页 |
| ·递归特征消除方法 | 第52-53页 |
| ·最大噪声分数 | 第53-54页 |
| ·独立成分分析 | 第54-55页 |
| ·高光谱图像蒙特卡罗特征降维算法 | 第55-58页 |
| ·类内紧性与类间分离性系数计算 | 第55-56页 |
| ·蒙特卡罗特征降维算法 | 第56-58页 |
| ·仿真实验 | 第58-62页 |
| ·实验数据 | 第58页 |
| ·实验结果与分析 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 基于改进 N-FINDR 算法的端元提取技术研究 | 第63-80页 |
| ·引言 | 第63-64页 |
| ·高光谱端元提取常用算法 | 第64-72页 |
| ·N-FINDR 端元提取算法 | 第64-65页 |
| ·纯像素索引法 | 第65-66页 |
| ·凸锥分析 | 第66-67页 |
| ·迭代误差分析 | 第67-68页 |
| ·ORASIS 算法 | 第68页 |
| ·自动形态学端元提取算法 | 第68-71页 |
| ·顶点成分分析法 | 第71-72页 |
| ·改进的 N-FINDR 高光谱端元提取算法 | 第72-76页 |
| ·改进的 N-FINDR 算法停机准则 | 第72-73页 |
| ·特征预处理 | 第73-74页 |
| ·基于支持向量机的端元二次提取 | 第74-76页 |
| ·仿真实验 | 第76-79页 |
| ·本章小结 | 第79-80页 |
| 第5章 基于模糊核加权 C-均值聚类的高光谱图像分类 | 第80-92页 |
| ·引言 | 第80-81页 |
| ·模糊性与模糊子集 | 第81-82页 |
| ·模式识别中的模糊集理论 | 第82-84页 |
| ·最大隶属度原则 | 第82-83页 |
| ·择近原则 | 第83-84页 |
| ·模糊 C-均值聚类算法 | 第84-85页 |
| ·模糊核 C-均值聚类算法 | 第85-86页 |
| ·改进的模糊核 C-均值聚类算法 | 第86-88页 |
| ·非参数加权特征提取 | 第86页 |
| ·模糊核加权 C-均值聚类算法 | 第86-88页 |
| ·仿真实验 | 第88-90页 |
| ·本章小结 | 第90-92页 |
| 第6章 基于模糊特征加权支持向量机的高光谱图像分类 | 第92-108页 |
| ·引言 | 第92页 |
| ·常用的高光谱加权处理方法 | 第92-97页 |
| ·基于信息增益的特征加权算法 | 第92-94页 |
| ·基于样本紧密度的高光谱样本加权 | 第94-95页 |
| ·基于距离尺度的高光谱样本加权 | 第95-96页 |
| ·Fisher 线性判别分析特征加权方法 | 第96-97页 |
| ·ReliefF 特征选择算法 | 第97-98页 |
| ·模糊特征加权支持向量机 | 第98-100页 |
| ·仿真实验 | 第100-107页 |
| ·实验数据 | 第100-101页 |
| ·SVM 参数选取 | 第101-102页 |
| ·实验结果与讨论 | 第102-107页 |
| ·本章小结 | 第107-108页 |
| 结论 | 第108-111页 |
| 参考文献 | 第111-124页 |
| 攻读博士学位期间发表的论文和取得的科技成果 | 第124-125页 |
| 致谢 | 第125页 |
