| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 缩语表 | 第19-21页 |
| 第一章 引言 | 第21-41页 |
| 1.1 选题依据与背景 | 第21-25页 |
| 1.1.1 选题依据 | 第21-22页 |
| 1.1.2 研究背景 | 第22-25页 |
| 1.1.3 研究意义 | 第25页 |
| 1.2 国内外研究现状 | 第25-33页 |
| 1.2.1 国外研究现状 | 第25-30页 |
| 1.2.2 国内研究现状 | 第30-32页 |
| 1.2.3 需要解决的问题 | 第32-33页 |
| 1.3 主要研究内容 | 第33-34页 |
| 1.4 研究区概况与通用数据 | 第34-39页 |
| 1.4.1 研究区概况与PolSAR数据 | 第34-36页 |
| 1.4.2 通用PolSAR数据 | 第36-39页 |
| 1.5 论文组织结构 | 第39-40页 |
| 1.6 本章小结 | 第40-41页 |
| 第二章 滤波结果多样性集成学习分类 | 第41-79页 |
| 2.1 引言 | 第41-42页 |
| 2.2 相干斑的本质、模型及常用滤波器 | 第42-48页 |
| 2.2.1 相干斑的本质 | 第42页 |
| 2.2.2 单视全极化相干斑模型 | 第42-45页 |
| 2.2.3 常用滤波器 | 第45-48页 |
| 2.3 多样性的意义与集成学习的有效性 | 第48-55页 |
| 2.3.1 多样性的意义 | 第48-50页 |
| 2.3.2 集成学习的有效性 | 第50-51页 |
| 2.3.3 滤波结果多样性分析 | 第51-55页 |
| 2.4 Whishart监督分类与极化分解 | 第55-60页 |
| 2.4.1 Wishart监督分类 | 第55-59页 |
| 2.4.2 极化分解 | 第59-60页 |
| 2.5 滤波结果多样性集成分类 | 第60-77页 |
| 2.5.1 单滤波器-单窗口-多分类器集成(SFSWMCE) | 第60-65页 |
| 2.5.2 同滤波器-多窗口-同质多分类器集成(SFMWMCE) | 第65-69页 |
| 2.5.3 多滤波器-多窗口-多分类器集成(MFMWMCE) | 第69-74页 |
| 2.5.4 研究区滤波结果多样性集成分类结果与分析 | 第74-77页 |
| 2.6 本章小结 | 第77-79页 |
| 第三章 基于特征集多样性的集成学习分类 | 第79-117页 |
| 3.1 引言 | 第79-80页 |
| 3.2 特征集与特征空间重构 | 第80-89页 |
| 3.2.1 极化特征 | 第80-81页 |
| 3.2.2 极化分解特征 | 第81-85页 |
| 3.2.3 空间特征 | 第85-86页 |
| 3.2.4 特征集构建 | 第86页 |
| 3.2.5 特征选择 | 第86-88页 |
| 3.2.6 特征提取 | 第88-89页 |
| 3.3 特征选择集成用于PolSAR图像分类 | 第89-98页 |
| 3.3.1 分类方法 | 第89-90页 |
| 3.3.2 特征选择多样性分析 | 第90-93页 |
| 3.3.3 最佳特征集分析 | 第93-95页 |
| 3.3.4 特征选择维数固定-多分类器集成分类 | 第95-97页 |
| 3.3.5 特征选择维数可变-同质分类器集成分类 | 第97-98页 |
| 3.4 特征提取集成用于PolSAR图像分类 | 第98-105页 |
| 3.4.1 分类方法 | 第98-99页 |
| 3.4.2 特征提取多样性分析 | 第99-100页 |
| 3.4.3 特征提取维数固定-多分类器集成 | 第100-104页 |
| 3.4.4 特征提取维数可变-同质多分类器集成 | 第104-105页 |
| 3.5 混合特征集集成PolSAR图像分类 | 第105-109页 |
| 3.5.1 分类方法 | 第105-106页 |
| 3.5.2 特征混合维数固定-多分类器集成 | 第106-108页 |
| 3.5.3 特征混合维数可变-同质分类器集成 | 第108-109页 |
| 3.6 研究区特征集多样性集成分类结果与分析 | 第109-115页 |
| 3.7 本章小结 | 第115-117页 |
| 第四章 全极化SAR图像极限学习机集成分类 | 第117-137页 |
| 4.1 引言 | 第117-118页 |
| 4.2 极限学习机 | 第118-122页 |
| 4.2.1 极限学习机 | 第118-121页 |
| 4.2.2 核极限学习机 | 第121-122页 |
| 4.3 极限学习机集成 | 第122-127页 |
| 4.3.1 基于Bagging算法的极限学习机集成 | 第122-124页 |
| 4.3.2 基于AdaBoost算法的极限学习机集成 | 第124-125页 |
| 4.3.3 基于Boosting的多核极限学习机集成(BoostMKELMs) | 第125-127页 |
| 4.4 试验与分析 | 第127-136页 |
| 4.4.1 测试数据与试验设计 | 第127-128页 |
| 4.4.2 通用数据分类结果与分析 | 第128-133页 |
| 4.4.3 研究区极限学习机集成分类结果与分析 | 第133-136页 |
| 4.5 本章小结 | 第136-137页 |
| 第五章 结论与展望 | 第137-141页 |
| 5.1 结论 | 第137-138页 |
| 5.2 创新点 | 第138页 |
| 5.3 展望 | 第138-141页 |
| 致谢 | 第141-143页 |
| 参考文献 | 第143-157页 |
| 在学期间所取得的学术成果 | 第157-158页 |
