| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状与问题 | 第16-18页 |
| 1.2.1 遥感图像地物分类的研究现状与问题 | 第16-17页 |
| 1.2.2 基于主动学习的遥感图像地物分类的研究现状与问题 | 第17-18页 |
| 1.3 论文主要工作和结构 | 第18-19页 |
| 第二章 遥感图像数据特征和主动学习算法理论基础 | 第19-27页 |
| 2.1 遥感图像数据特征 | 第19-22页 |
| 2.1.1 PolSAR图像数据特征 | 第19-21页 |
| 2.1.2 高光谱图像数据特征 | 第21-22页 |
| 2.2 主动学习算法理论基础 | 第22-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于超限学习机的在线主动学习算法 | 第27-47页 |
| 3.1 超限学习机 | 第27-29页 |
| 3.1.1 理论 | 第27页 |
| 3.1.2 训练 | 第27-29页 |
| 3.1.3 预测 | 第29页 |
| 3.2 在线超限学习机 | 第29-30页 |
| 3.2.1 初始训练阶段 | 第29-30页 |
| 3.2.2 在线训练阶段 | 第30页 |
| 3.3 主动超限学习机 | 第30-32页 |
| 3.3.1 ELM的实数值的转换为概率输出输出 | 第30-31页 |
| 3.3.2 三种基于概率的不确定性采样方法 | 第31-32页 |
| 3.4 在线主动超限学习机OA-ELM | 第32-36页 |
| 3.4.1 不一致采样方法 | 第32-35页 |
| 3.4.2 OA-ELM算法流程和分析 | 第35-36页 |
| 3.5 实验结果和分析 | 第36-45页 |
| 3.5.1 手写体数字数据集 | 第37-39页 |
| 3.5.2 PolSAR数据集 | 第39-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于加权卷积神经网络的主动学习算法 | 第47-63页 |
| 4.1 卷积神经网络 | 第47-48页 |
| 4.2 基于加权卷积神经网络的主动学习算法 | 第48-51页 |
| 4.3 实验结果和分析 | 第51-61页 |
| 4.3.1 PolSAR数据集FN15 | 第51-55页 |
| 4.3.2 PolSAR数据集SU5 | 第55-58页 |
| 4.3.3 高光谱数据集PU9 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 基于GBDT和高斯滤波的主动学习算法 | 第63-77页 |
| 5.1 GBDT算法 | 第63-64页 |
| 5.2 基于GBDT和高斯滤波的主动学习算法 | 第64-66页 |
| 5.3 实验结果和分析 | 第66-75页 |
| 5.3.1 PolSAR数据集FN15 | 第66-70页 |
| 5.3.2 PolSAR数据SU5 | 第70-72页 |
| 5.3.3 高光谱数据PU9 | 第72-75页 |
| 5.4 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 论文工作总结 | 第77页 |
| 6.2 未来研究展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |