| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 城市社区尺度的分类研究 | 第11-13页 |
| 1.2.2 基于遥感和其他数据的经济因子估算方法研究 | 第13-15页 |
| 1.2.3 社会经济变量因子估算存在的问题 | 第15-16页 |
| 1.3 基于多源数据的社会经济变量的估发展趋势 | 第16页 |
| 1.4 论文的主要内容及结构安排 | 第16-19页 |
| 第二章 城市研究区域的分类 | 第19-27页 |
| 2.1 研究区域数据来源 | 第19-20页 |
| 2.2 城市区域的分类 | 第20-26页 |
| 2.2.1 遥感传统的分类方法 | 第20-21页 |
| 2.2.2 研究区域的分类 | 第21-23页 |
| 2.2.3 社区分类结果 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 城市区域的纹理特征提取的方法研究 | 第27-48页 |
| 3.1 小波分析的应用 | 第27-29页 |
| 3.1.1 连续小波变换 | 第27-28页 |
| 3.1.2 离散小波变换 | 第28-29页 |
| 3.2 小波基的选取 | 第29-32页 |
| 3.2.1 Haar小波 | 第30-31页 |
| 3.2.2 Mexican hat小波 | 第31页 |
| 3.2.3 Gaussian小波 | 第31页 |
| 3.2.4 Coiflets小波 | 第31-32页 |
| 3.3 Daubechies小波的纹理提取 | 第32-38页 |
| 3.3.1 db2小波美国研究区域纹理提取 | 第32-35页 |
| 3.3.2 db2小波中国研究区域纹理提取 | 第35-38页 |
| 3.4 Symlets小波的纹理提取 | 第38-43页 |
| 3.4.1 sym4小波美国研究区域纹理提取 | 第38-41页 |
| 3.4.2 sym4小波中国研究区域纹理提取 | 第41-43页 |
| 3.5 灰度共生矩阵提取纹理特征 | 第43-47页 |
| 3.5.1 灰度共生矩阵的特点 | 第44-46页 |
| 3.5.2 灰度共生矩阵的纹理特征 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 城市区域的收入估算模型研究 | 第48-76页 |
| 4.1 经典的建模方法 | 第48-57页 |
| 4.1.1 主成分分析法 | 第48-49页 |
| 4.1.2 因子分析法 | 第49-51页 |
| 4.1.3 回归分析 | 第51-52页 |
| 4.1.4 神经网络方法 | 第52-56页 |
| 4.1.4.1 基本算法 | 第54-55页 |
| 4.1.4.2 动态BP神经网络预测算法 | 第55-56页 |
| 4.1.5 基于神经网络的预测原理 | 第56-57页 |
| 4.1.5.1 正向建模 | 第56页 |
| 4.1.5.2 逆向建模 | 第56-57页 |
| 4.2 统计分析收入模型 | 第57-68页 |
| 4.2.1 统计分析数据 | 第57-58页 |
| 4.2.2 统计分析建模 | 第58-68页 |
| 4.2.2.1 美国研究区域社区收入统计模型 | 第58-64页 |
| 4.2.2.2 中国成都相关研究区域收入统计模型 | 第64-68页 |
| 4.3 神经网络收入模型研究 | 第68-72页 |
| 4.3.1 美国研究区域社区收入神经网络收入模型 | 第68-72页 |
| 4.3.2 中国研究区域收入神经网络收入模型 | 第72页 |
| 4.4 中美研究区域的统计分析收入模型研究比较 | 第72-73页 |
| 4.5 中美研究区域的神经网络收入模型研究比较 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第五章 总结与展望 | 第76-79页 |
| 5.1 总结 | 第76-77页 |
| 5.2 展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间取得的成果 | 第84-85页 |