| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第14-29页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 高光谱遥感影像分类概述 | 第15-21页 |
| 1.2.1 高光谱遥感影像特点 | 第15-18页 |
| 1.2.2 高光谱遥感分类理论与方法 | 第18-19页 |
| 1.2.3 分类精度评价 | 第19-21页 |
| 1.3 遥感影像分类研究现状 | 第21-22页 |
| 1.4 遥感影像分类存在问题 | 第22-24页 |
| 1.5 论文研究内容和章节安排 | 第24-25页 |
| 1.6 本文实验数据 | 第25-29页 |
| 1.6.1 Indian Pines数据集 | 第26-27页 |
| 1.6.2 University of Pavia数据集 | 第27-29页 |
| 2 遥感影像中的分类方法 | 第29-39页 |
| 2.1 最小距离分类法 | 第29-30页 |
| 2.2 最大似然分类法 | 第30-31页 |
| 2.3 人工神经网络分类 | 第31-35页 |
| 2.3.1 人工神经网络概述 | 第32页 |
| 2.3.2 反向传播神经网络 | 第32-35页 |
| 2.4 决策树分类法 | 第35-36页 |
| 2.5 实验结果与分析 | 第36-37页 |
| 2.6 本章小结 | 第37-39页 |
| 3 统计学习理论与支持向量机 | 第39-57页 |
| 3.1 统计学习理论 | 第39-44页 |
| 3.1.1 期望风险最小化 | 第39-41页 |
| 3.1.2 VC维与推广性的界 | 第41-43页 |
| 3.1.3 结构风险最小化原则 | 第43-44页 |
| 3.2 支持向量机 | 第44-56页 |
| 3.2.1 最优分类面 | 第45-48页 |
| 3.2.2 非线性支持向量机 | 第48-52页 |
| 3.2.3 基于多分类的支持向量机 | 第52-55页 |
| 3.2.4 支持向量机研究现状 | 第55-56页 |
| 3.3 实验结果与分析 | 第56页 |
| 3.4 本章小结 | 第56-57页 |
| 4 基于Kullback-Leibler的多核集成分类 | 第57-78页 |
| 4.1 引言 | 第57-59页 |
| 4.2 集成机器学习 | 第59-63页 |
| 4.2.1 弱分类器 | 第61页 |
| 4.2.2 多核学习与Ada Boost | 第61-62页 |
| 4.2.3 最优指数法（OIF） | 第62-63页 |
| 4.3 基于Kullback-Leibler核函数的多核集成框架 | 第63-67页 |
| 4.3.1 Kullback-Leibler散度 | 第64-65页 |
| 4.3.2 改进的多核集成框架 | 第65-67页 |
| 4.4 实验结果与分析 | 第67-74页 |
| 4.4.1 数据描述 | 第67-70页 |
| 4.4.2 实验参数设置 | 第70-72页 |
| 4.4.3 公开数据集实验 | 第72页 |
| 4.4.4 Indian Pines数据集实验 | 第72-74页 |
| 4.5 参数分析 | 第74-77页 |
| 4.5.1 训练样本数量对分类结果的影响分析 | 第74-75页 |
| 4.5.2 波段数对分类结果的影响分析 | 第75-76页 |
| 4.5.3 分类器抽样率?对分类结果的影响分析 | 第76-77页 |
| 4.6 本章小结 | 第77-78页 |
| 5 基于改进最优指数的特征选择与分类 | 第78-92页 |
| 5.1 引言 | 第78页 |
| 5.2 支持向量机参数优化方法 | 第78-81页 |
| 5.2.1 模型参数分析与选择 | 第79页 |
| 5.2.2 参数优化方法 | 第79-81页 |
| 5.3 基于最优指数的多核集成框架 | 第81-83页 |
| 5.3.1 最优指数特征选择 | 第81-83页 |
| 5.3.2 基于参数优化多核集成框架 | 第83页 |
| 5.4 实验结果与分析 | 第83-91页 |
| 5.4.1 实验参数设置 | 第83-84页 |
| 5.4.2 实验结果 | 第84-89页 |
| 5.4.3 训练样本数量对分类结果的影响分析 | 第89-90页 |
| 5.4.4 波段数对分类结果的影响分析 | 第90-91页 |
| 5.5 本章小结 | 第91-92页 |
| 6 基于互信息混合测度的特征选择与分类 | 第92-106页 |
| 6.1 引言 | 第92页 |
| 6.2 两阶段波段选择与多核集成框架 | 第92-97页 |
| 6.2.1 熵和互信息 | 第93-94页 |
| 6.2.2 波段选择标准 | 第94页 |
| 6.2.3 随机化多核集成框架 | 第94-95页 |
| 6.2.4 算法复杂度分析 | 第95-97页 |
| 6.3 实验结果与分析 | 第97-105页 |
| 6.3.1 实验结果 | 第97-100页 |
| 6.3.2 训练样本数量对分类结果的影响分析 | 第100-101页 |
| 6.3.3 核函数抽样率?对分类结果的影响分析 | 第101-103页 |
| 6.3.4 核函数数量对分类结果的影响分析 | 第103-105页 |
| 6.4 本章小结 | 第105-106页 |
| 7 结论与展望 | 第106-108页 |
| 7.1 结论 | 第106-107页 |
| 7.2 展望 | 第107-108页 |
| 致谢 | 第108-109页 |
| 参考文献 | 第109-120页 |
| 附录A: 个人简历 | 第120页 |
| 附录B: 攻读学位期间所发表的学术论文目录 | 第120页 |
