| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 课题的研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 无人机着陆研究现状 | 第13-16页 |
| 1.2.2 无人机地貌图像分类的研究现状 | 第16-17页 |
| 1.2.3 图像分类方法的研究现状 | 第17-19页 |
| 1.2.4 深度学习在图像分类中的研究现状 | 第19-22页 |
| 1.3 论文结构安排 | 第22-25页 |
| 第2章 相关理论基础 | 第25-39页 |
| 2.1 无人机地貌图像分类概述 | 第25-28页 |
| 2.2 深度学习 | 第28-31页 |
| 2.2.1 深度学习简介 | 第28-29页 |
| 2.2.2 深度学习训练过程 | 第29-31页 |
| 2.3 深度学习常用模型 | 第31-36页 |
| 2.3.1 自动编码器 | 第31-32页 |
| 2.3.2 稀疏自动编码器 | 第32-33页 |
| 2.3.3 卷积神经网络 | 第33-36页 |
| 2.4 支持向量机 | 第36-37页 |
| 2.5 本章小结 | 第37-39页 |
| 第3章 基于SAE和GASVM 的无人机相似地貌场景分类算法 | 第39-53页 |
| 3.1 引言 | 第39-40页 |
| 3.2 基于SAE和GASVM的无人机相似地貌场景分类算法 | 第40-46页 |
| 3.2.1 深度稀疏自动编码器网络 | 第40-42页 |
| 3.2.2 特征学习 | 第42-44页 |
| 3.2.3 GA-SVM算法 | 第44-45页 |
| 3.2.4 算法流程 | 第45-46页 |
| 3.3 实验结果与分析 | 第46-52页 |
| 3.3.1 实验数据集 | 第46-48页 |
| 3.3.2 GA-SVM算法性能分析 | 第48-50页 |
| 3.3.3 特征重组法对分类率的影响 | 第50页 |
| 3.3.4 分类性能比较 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 基于DCT和CNN的自适应无人机地貌场景分类算法 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 基于DCT和CNN的自适应无人机地貌场景分类算法 | 第54-61页 |
| 4.2.1 自适应DCT系数的选择 | 第54-57页 |
| 4.2.2 DCT-CNN算法模型 | 第57-60页 |
| 4.2.3 算法流程 | 第60-61页 |
| 4.3 实验结果与分析 | 第61-68页 |
| 4.3.1 实验数据集 | 第61-64页 |
| 4.3.2 DCT系数个数对图像分类性能的影响 | 第64-65页 |
| 4.3.3 分类性能比较 | 第65-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 基于SC预训练的卷积神经网络着陆地貌分类算法 | 第69-91页 |
| 5.1 引言 | 第69-70页 |
| 5.2 基于SC预训练的卷积神经网络着陆地貌分类算法 | 第70-77页 |
| 5.2.1 基于非下采样Contourlet变换的多尺度分解 | 第70-72页 |
| 5.2.2 SC非监督预训练 | 第72-73页 |
| 5.2.3 SC预训练的卷积神经网络 | 第73-76页 |
| 5.2.4 算法流程 | 第76-77页 |
| 5.3 基于自然地貌图像的无人机着陆地貌分类 | 第77-78页 |
| 5.4 实验结果与分析 | 第78-89页 |
| 5.4.1 实验数据集 | 第78-79页 |
| 5.4.2 稀疏编码非监督特征学习分析 | 第79-81页 |
| 5.4.3 SC预训练的卷积神经网络训练收敛性能分析 | 第81-82页 |
| 5.4.4 分类性能比较 | 第82-85页 |
| 5.4.5 自然地貌图像的无人机着陆地貌分类 | 第85-89页 |
| 5.5 本章小结 | 第89-91页 |
| 结论与展望 | 第91-93页 |
| 参考文献 | 第93-99页 |
| 攻读硕士期间所发表的学术论文 | 第99-101页 |
| 致谢 | 第101页 |
