| 论文创新点摘要 | 第1-8页 |
| 目录 | 第8-11页 |
| 摘要 | 第11-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 引言 | 第13-25页 |
| §1.1 高光谱遥感技术发展的概况 | 第13-17页 |
| §1.1.1 高光谱遥感传感器的发展 | 第13-15页 |
| §1.1.2 高光谱遥感技术的应用领域 | 第15-16页 |
| §1.1.3 高光谱遥感应用中存在的问题 | 第16-17页 |
| §1.2 常用高维数据特征提取方法简介与分析 | 第17-20页 |
| §1.3 流形学习方法的研究现状 | 第20-22页 |
| §1.4 研究目的与论文框架 | 第22-25页 |
| 第二章 流形学习方法的原理与分析 | 第25-49页 |
| §2.1 流形的定义和性质 | 第25-28页 |
| §2.2 流形学习及其代表性方法简介 | 第28-39页 |
| §2.2.1 等角特征映射法 | 第30-35页 |
| §2.2.2 拉普拉斯特征映射法 | 第35-39页 |
| §2.3 流形学习方法算法结构分析 | 第39-43页 |
| §2.3.1 最近邻邻域 | 第39-40页 |
| §2.3.2 代价函数模型 | 第40-41页 |
| §2.3.3 嵌入坐标(低维坐标)的求解 | 第41-43页 |
| §2.4 流形学习算法的实现要点 | 第43-47页 |
| §2.4.1 KnnMatrix函数 | 第43-45页 |
| §2.4.2 DistGraph函数 | 第45-46页 |
| §2.4.3 WeighGraph函数 | 第46页 |
| §2.4.4 CostMatrix函数 | 第46-47页 |
| §2.4.5 EigenDecomp函数 | 第47页 |
| §2.5 总结 | 第47-49页 |
| 第三章 利用光谱角敏感哈希森林提高近邻匹配效率 | 第49-69页 |
| §3.1 高维快速匹配数据结构的研究现状 | 第49-51页 |
| §3.2 光谱角敏感哈希森林原理与分析 | 第51-61页 |
| §3.2.1 位置敏感函数 | 第51-53页 |
| §3.2.2 光谱角敏感哈希函数 | 第53-55页 |
| §3.2.3 光谱角敏感哈希森林 | 第55-61页 |
| §3.3 K-近邻匹配实验结果与分析 | 第61-67页 |
| §3.3.1 近邻点匹配精度评估方法 | 第62页 |
| §3.3.2 光谱角敏感哈希森林参数分析 | 第62-64页 |
| §3.3.3 与VP树结构的K-近邻搜索效率比较 | 第64-67页 |
| §3.4 总结 | 第67-69页 |
| 第四章 利用尼斯特罗姆方法提高低维坐标解算效率 | 第69-87页 |
| §4.1 尼斯特罗姆方法简介 | 第71-77页 |
| §4.2 尼斯特罗姆方法在流形学习算法上的应用 | 第77-81页 |
| §4.2.1 使用尼斯特罗姆方法估算流形的映射函数 | 第77-79页 |
| §4.2.2 基于尼斯特罗姆方法的流形学习算法 | 第79-81页 |
| §4.3 基于尼斯特罗姆方法的流形学习算法降维实验 | 第81-84页 |
| §4.4 总结 | 第84-87页 |
| 第五章 基于新流形学习算法框架的降维与分类实验 | 第87-123页 |
| §5.1 基于新流形学习算法的降维实验 | 第88-94页 |
| §5.1.1 新流形算法架构 | 第88-90页 |
| §5.1.2 新流形学习算法在高光谱遥感影像上的降维实验 | 第90-94页 |
| §5.2 基于新流形学习算法降维数据的K-means聚类实验 | 第94-110页 |
| §5.2.1 实验方法 | 第95-96页 |
| §5.2.2 实验数据 | 第96-100页 |
| §5.2.3 实验结果与分析 | 第100-110页 |
| §5.3 基于新流形学习算法的核函数化最小距离分类实验 | 第110-121页 |
| §5.3.1 实验方法 | 第110-112页 |
| §5.3.2 实验结果与分析 | 第112-121页 |
| §5.4 总结 | 第121-123页 |
| 第六章 总结与展望 | 第123-127页 |
| §6.1 论文总结 | 第123-124页 |
| §6.2 研究展望 | 第124-127页 |
| 附录A 维度灾难 | 第127-133页 |
| 参考文献 | 第133-143页 |
| 攻博期间的科研成果 | 第143-145页 |
| 致谢 | 第145-147页 |
