| 作者简历 | 第7-8页 |
| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 选题背景和意义 | 第16-17页 |
| 1.2 高光谱遥感数据 | 第17-18页 |
| 1.3 | 第18页 |
| 1.4 论文研究的主要内容 | 第18-20页 |
| 第二章 深度学习神经网络 | 第20-37页 |
| 2.1 引言 | 第20页 |
| 2.2 深度学习 | 第20-22页 |
| 2.2.1 简介 | 第20-21页 |
| 2.2.2 多层感知器 | 第21-22页 |
| 2.3 基于自动编码器的深度学习算法 | 第22-31页 |
| 2.3.1 自动编码器 | 第22-26页 |
| 2.3.2 栈式自动编码器 | 第26-27页 |
| 2.3.3 Softmax分类器 | 第27-28页 |
| 2.3.4 微调栈式自动编码器 | 第28-31页 |
| 2.4 实验结果与分析 | 第31-36页 |
| 2.4.1 数据介绍 | 第31-34页 |
| 2.4.2 实验结果和分析 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 深度学习神经网络的优化 | 第37-56页 |
| 3.1 引言 | 第37页 |
| 3.2 ReLU神经元 | 第37-40页 |
| 3.2.1 神经元简介 | 第37-38页 |
| 3.2.2 稀疏性特点 | 第38-39页 |
| 3.2.3 基于稀疏性的ReLU激活函数 | 第39-40页 |
| 3.3 防止过拟合策略 | 第40-45页 |
| 3.3.1 过拟合 | 第40-41页 |
| 3.3.2 正则化 | 第41-42页 |
| 3.3.3 Dropout | 第42-45页 |
| 3.4 权值优化方法 | 第45-49页 |
| 3.4.1 mini-batch随机梯度下降法 | 第45-47页 |
| 3.4.2 加入momentum的SGD | 第47-48页 |
| 3.4.3 Adaptive gradient方法 | 第48页 |
| 3.4.4 Nesterov's accelerated gradient | 第48-49页 |
| 3.5 实验结果与分析 | 第49-55页 |
| 3.5.1 分类算法比较 | 第50-51页 |
| 3.5.2 特征提取算法比较 | 第51-52页 |
| 3.5.3 参数敏感性分析 | 第52-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 空间与光谱信息相结合的深度学习 | 第56-75页 |
| 4.1 引言 | 第56页 |
| 4.2 卷积神经网络 | 第56-64页 |
| 4.2.1 全连接与部分连接 | 第56-57页 |
| 4.2.2 卷积层 | 第57-58页 |
| 4.2.3 pooling层 | 第58-60页 |
| 4.2.4 深度卷积网络的反向传播 | 第60-64页 |
| 4.3 深度学习神经网络结合空间信息 | 第64-67页 |
| 4.3.1 空间信息提取 | 第64-65页 |
| 4.3.2 OMLP结合空间信息 | 第65-66页 |
| 4.3.3 卷积神经网络结合空间信息 | 第66-67页 |
| 4.4 实验结果与分析 | 第67-74页 |
| 4.4.1 最优参数下不同分类算法比较 | 第67-68页 |
| 4.4.2 结合空间信息算法的参数敏感性分析 | 第68-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第五章 基于深度学习的多时相高光谱遥感图像分类 | 第75-84页 |
| 5.1 引言 | 第75页 |
| 5.2 迁移学习 | 第75-77页 |
| 5.2.1 迁移学习概述 | 第75-77页 |
| 5.2.2 迁移学习的分类 | 第77页 |
| 5.3 基于深度学习网络的迁移学习算法 | 第77-80页 |
| 5.3.1 方法概述 | 第77-78页 |
| 5.3.2 深度迁移网络 | 第78-80页 |
| 5.4 实验结果与分析 | 第80-83页 |
| 5.4.1 最优参数下分类结果比较 | 第80-82页 |
| 5.4.2 参数敏感性分析 | 第82-83页 |
| 5.5 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-91页 |