| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究的目的和意义 | 第9-10页 |
| 1.2 高光谱遥感图像分类及集成学习的研究现状 | 第10-14页 |
| 1.2.1 高光谱遥感图像分类的研究现状 | 第11-12页 |
| 1.2.2 集成学习研究现状 | 第12-14页 |
| 1.3 论文组织结构 | 第14-16页 |
| 第2章 集成学习分类理论基础 | 第16-27页 |
| 2.1 集成学习基础 | 第16-18页 |
| 2.1.1 集成学习的基本概念 | 第16-17页 |
| 2.1.2 集成学习的优势 | 第17-18页 |
| 2.2 集成学习的经典算法 | 第18-22页 |
| 2.2.1 Boosting算法 | 第18-20页 |
| 2.2.2 Bagging算法 | 第20-22页 |
| 2.2.3 Boosting算法和Bagging算法比较 | 第22页 |
| 2.3 分类器集成 | 第22-26页 |
| 2.3.1 构成基分类器的条件 | 第22-23页 |
| 2.3.2 基分类器的构成 | 第23-24页 |
| 2.3.3 基分类器的组合方法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3 章高光谱图像的分类基础 | 第27-34页 |
| 3.1 高光谱遥感数据 | 第27-31页 |
| 3.1.1 高光谱数据的描述形式 | 第27-30页 |
| 3.1.2 高光谱数据的特性 | 第30-31页 |
| 3.2 高光谱图像分类过程 | 第31-33页 |
| 3.2.1 图像预处理和训练样本的选择 | 第31页 |
| 3.2.2 高光谱数据降维 | 第31页 |
| 3.2.3 高光谱图像分类精度的评价 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于支持向量数据描述集成的高光谱图像分类 | 第34-47页 |
| 4.1 一类分类综述 | 第34-36页 |
| 4.1.1 一类分类器的分类 | 第34-35页 |
| 4.1.2 基于核的一类分类器的分类 | 第35-36页 |
| 4.2 支持向量数据描述(SVDD)的原理 | 第36-39页 |
| 4.3 主成分分析(PCA)方法对高光谱数据降维 | 第39-43页 |
| 4.3.1 主成分分析(PCA)方法的原理 | 第39-40页 |
| 4.3.2 主成分分析方法对高光谱数据降维结果分析 | 第40-43页 |
| 4.4 支持向量数据描述(SVDD)集成的高光谱图像分类 | 第43页 |
| 4.5 实验结果与分析 | 第43-46页 |
| 4.5.1 实验数据 | 第43-44页 |
| 4.5.2 实验结果及分析 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 基于支持向量机集成的高光谱图像分类 | 第47-60页 |
| 5.1 支持向量机 | 第47-54页 |
| 5.1.1 线性支持向量机 | 第47-52页 |
| 5.1.2 非线性支持向量机 | 第52-53页 |
| 5.1.3 常用的核函数 | 第53-54页 |
| 5.1.4 支持向量机集成 | 第54页 |
| 5.2 空-谱特征提取 | 第54-55页 |
| 5.3 支持向量机集成的高光谱图像分类 | 第55-56页 |
| 5.3.1 主动学习方法构造样本集 | 第55-56页 |
| 5.3.2 SVM-AdaBoost分类 | 第56页 |
| 5.4 实验结果与分析 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的论文 | 第70页 |
