| 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15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究进展 | 第16-18页 |
| 1.2.1 多光谱遥感图像分类方法研究现状 | 第16-17页 |
| 1.2.2 深度学习研究现状 | 第17-18页 |
| 1.3 本文的主要工作 | 第18-21页 |
| 第二章 多光谱遥感图像分类和受限玻尔兹曼机相关基础 | 第21-31页 |
| 2.1 多光谱遥感图像分类 | 第21-25页 |
| 2.1.1 多光谱遥感图像分类方法 | 第21-23页 |
| 2.1.2 经典的光谱特征提取方法 | 第23-24页 |
| 2.1.3 多光谱遥感图像分类评价指标 | 第24-25页 |
| 2.2 受限玻尔兹曼机模型 | 第25-31页 |
| 2.2.1 受限玻尔兹曼机模型简介 | 第26-27页 |
| 2.2.2 受限玻尔兹曼机的改进 | 第27-31页 |
| 第三章 基于误差修正K-RBM和改进RBM-softmax模型的半监督分类 | 第31-51页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于误差修正K-RBM和改进RBM-softmax模型的半监督分类 | 第32-37页 |
| 3.2.1 误差修正K-RBM | 第32-34页 |
| 3.2.2 基于稀疏滤波的改进RBM-softmax | 第34-35页 |
| 3.2.3 本文提出的半监督分类方法 | 第35-37页 |
| 3.2.4 本章所用特征 | 第37页 |
| 3.3 实验部分 | 第37-49页 |
| 3.3.1 实验数据 | 第37-41页 |
| 3.3.2 实验结果分析 | 第41-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于交叉熵正则项的改进RBM分类方法 | 第51-63页 |
| 4.1 引言 | 第51-55页 |
| 4.1.1 交叉熵 | 第52-53页 |
| 4.1.2 基于交叉熵正则项的改进RBM | 第53页 |
| 4.1.3 IRBM-CER参数更新公式推导 | 第53-55页 |
| 4.2 实验结果和分析 | 第55-61页 |
| 4.3 本章小结 | 第61-63页 |
| 第五章 总结和展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |
