基于朴素贝叶斯的高光谱矿物识别
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 高光谱概述 | 第10-11页 |
| 1.2.1 高光谱数据的特点 | 第10-11页 |
| 1.2.2 高光谱数据的优势 | 第11页 |
| 1.3 基于高光谱的矿物识别研究现状 | 第11-13页 |
| 1.4 本文主要内容与结构 | 第13-15页 |
| 第2章 高光谱数据挖掘 | 第15-21页 |
| 2.1 数据挖掘介绍 | 第15-17页 |
| 2.1.1 数据挖掘概述 | 第15-16页 |
| 2.1.2 数据挖掘的研究现状 | 第16-17页 |
| 2.2 高光谱数据挖掘发展方向 | 第17-18页 |
| 2.3 ENVI 开发环境 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 传统矿物识别算法 | 第21-30页 |
| 3.1 高光谱数据介绍 | 第21-24页 |
| 3.1.1 高光谱数据的获取 | 第21-24页 |
| 3.1.2 影响高光谱数据的因素 | 第24页 |
| 3.2 传统的高光谱分类算法 | 第24-28页 |
| 3.2.1 最小距离匹配法 | 第25-26页 |
| 3.2.2 光谱角度匹配法 | 第26-27页 |
| 3.2.3 光谱特征拟合算法 | 第27-28页 |
| 3.3 其他矿物识别算法 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 基于朴素贝叶斯的矿物识别 | 第30-40页 |
| 4.1 朴素贝叶斯分类模型 | 第31-32页 |
| 4.1.1 朴素贝叶斯分类模型概述 | 第31页 |
| 4.1.2 朴素贝叶斯工作原理 | 第31-32页 |
| 4.2 朴素贝叶斯在矿物识别中的应用 | 第32-38页 |
| 4.2.1 矿物光谱数据选取 | 第32-35页 |
| 4.2.2 数据预处理 | 第35-36页 |
| 4.2.3 分类结果 | 第36-37页 |
| 4.2.4 识别效果 | 第37-38页 |
| 4.3 程序实现 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 实验结果分析与注意事项 | 第40-45页 |
| 5.1 实验结果分析 | 第40-41页 |
| 5.1.1 对比分析 | 第40-41页 |
| 5.1.2 实验结论 | 第41页 |
| 5.2 朴素贝叶斯算法的注意事项 | 第41-43页 |
| 5.2.1 拉普拉斯估算器 | 第41-42页 |
| 5.2.2 残缺值和数值属性 | 第42-43页 |
| 5.2.3 基于属性独立的假设 | 第43页 |
| 5.3 本章小结 | 第43-45页 |
| 第6章 结论与展望 | 第45-48页 |
| 6.1 论文的特点与创新点 | 第45-46页 |
| 6.2 基于数据挖掘的矿物识别展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 作者简介 | 第52-53页 |
| 致谢 | 第53页 |
