| 第一章 绪论 | 第1-23页 |
| 第1节 选题依据和研究意义 | 第13-15页 |
| ·选题依据 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| 第2节 国内外研究现状 | 第15-20页 |
| ·遗传算法及其相关理论的研究现状与发展趋势 | 第15-19页 |
| ·遗传算法在遥感数据处理中的应用研究现状 | 第19-20页 |
| 第3节 论文主要研究内容、技术路线和主要成果 | 第20-21页 |
| ·研究内容 | 第20页 |
| ·技术路线 | 第20页 |
| ·主要成果 | 第20-21页 |
| 第4节 论文结构与章节安排 | 第21-22页 |
| 第5节 本章小结 | 第22-23页 |
| 第二章 遗传算法基本原理、方法及遥感数据特征 | 第23-36页 |
| 第1节 遗传算法的理论基础和优化框架 | 第23-29页 |
| ·遗传算法的数学原理 | 第23-26页 |
| ·遗传算法的本质特征和优越性能 | 第26-28页 |
| ·遗传算法的优化框架 | 第28-29页 |
| 第2节 遗传算法的进化规则 | 第29-31页 |
| ·规则1-编解码变换与遗传算子设计 | 第30页 |
| ·规则2-群体设定和初始化 | 第30-31页 |
| ·规则3-适应度函数设计 | 第31页 |
| 第3节 遥感数据处理中应用的遗传算法类型 | 第31-34页 |
| ·遥感数据的特征 | 第31-34页 |
| ·遗传算法的类型 | 第34页 |
| 第4节 本章小结 | 第34-36页 |
| 第三章 遥感数据的遗传超平面分类方法 | 第36-68页 |
| 第1节 超平面模型及其分类原理 | 第37-40页 |
| ·超平面模型 | 第37-39页 |
| ·超平面的定义 | 第37-38页 |
| ·简单的超平面模型 | 第38页 |
| ·本章所用的超平面方程 | 第38-39页 |
| ·遥感多维数据的超平面分类原理 | 第39-40页 |
| 第2节 遗传超平面分类器原理 | 第40-42页 |
| ·点模式的描述及其匹配统计 | 第40-41页 |
| ·遗传算子 | 第41-42页 |
| ·适应度值的计算 | 第42页 |
| 第3节 参数编解码及其实现 | 第42-46页 |
| ·二进制编码 | 第43-45页 |
| ·角度编码 | 第43-44页 |
| ·距离编码 | 第44-45页 |
| ·二进制解码 | 第45-46页 |
| ·十进制编解码 | 第46页 |
| 第4节 MODIS数据分类实验 | 第46-50页 |
| ·简单参数的分类实验 | 第46-49页 |
| ·实验结果及其分析 | 第49-50页 |
| 第5节 ETM数据分类实验 | 第50-58页 |
| ·参数选择实验与分析 | 第51-55页 |
| ·分类结果及其分析 | 第55-58页 |
| 第6节 ASTER数据的遗传超平面分类实验 | 第58-66页 |
| ·ASTER卫星遥感数据简介 | 第58-59页 |
| ·ASTER数据的遗传超平面分类 | 第59-66页 |
| 第7节 本章小结 | 第66-68页 |
| 第四章 遥感图像的遗传匹配定位方法 | 第68-79页 |
| 第1节 图像匹配与定位概述 | 第68-70页 |
| ·遥感图像匹配与定位 | 第68-70页 |
| ·模板匹配与遗传算法 | 第70页 |
| 第2节 图像目标匹配定位的数学模型 | 第70-72页 |
| ·仿射变换模型的矩阵表达及其扩展 | 第71页 |
| ·本章所用表达模型 | 第71-72页 |
| 第3节 遗传优化的图像定位方法 | 第72-76页 |
| ·目标模板的生成 | 第72-73页 |
| ·遗传算法及匹配编码 | 第73-76页 |
| ·位置编解码 | 第74-75页 |
| ·尺度编解码 | 第75页 |
| ·角度编解码 | 第75-76页 |
| ·适应度计算 | 第76页 |
| 第4节 实验结果及其分析 | 第76-78页 |
| ·遥感图像目标匹配实验结果 | 第76-77页 |
| ·实验结果分析 | 第77-78页 |
| 第5节 本章小结 | 第78-79页 |
| 第五章 遥感数据的贝叶斯网络分类预测及其遗传优化方法 | 第79-108页 |
| 第1节 贝叶斯网络的数学基础 | 第80-85页 |
| ·概率论基础 | 第80-82页 |
| ·变量与随机变量 | 第80页 |
| ·概率、联合概率、边缘概率和条件概率 | 第80-81页 |
| ·条件独立 | 第81页 |
| ·贝叶斯定理 | 第81-82页 |
| ·图论基础 | 第82-85页 |
| ·有向图和无向图 | 第82-83页 |
| ·D分隔 | 第83-84页 |
| ·(条件)相互信息 | 第84-85页 |
| 第2节 贝叶斯网络模型及其分类预测原则 | 第85-88页 |
| ·贝叶斯网络模型 | 第85-87页 |
| ·学习(训练)贝叶斯网络模型的类型 | 第87页 |
| ·贝叶斯网络分类预测原则 | 第87-88页 |
| 第3节 学习贝叶斯网络分类器 | 第88-94页 |
| ·基于CIT的贝叶斯网络分类器学习 | 第89-91页 |
| ·网络结构的学习 | 第89-91页 |
| ·条件概率表的学习 | 第91页 |
| ·贝叶斯网络分类模型的遗传学习 | 第91-94页 |
| ·贝叶斯网络描述 | 第92-93页 |
| ·编码方案 | 第93页 |
| ·适应度函数的设计 | 第93页 |
| ·终止规则 | 第93-94页 |
| ·技术流程 | 第94页 |
| 第4节 ASTER数据的贝叶斯网络分类算法 | 第94-100页 |
| ·ASTER数据的贝叶斯网络分类描述 | 第94-96页 |
| ·实验结果及其分析 | 第96-99页 |
| ·结论 | 第99-100页 |
| 第5节 基于贝叶斯网络模型的沙源区起沙预测实验研究 | 第100-105页 |
| ·信念 | 第101页 |
| ·贝叶斯网络结构及其确定 | 第101-102页 |
| ·确定模型变量 | 第101页 |
| ·建立有向无环图 | 第101-102页 |
| ·条件概率表 | 第102-103页 |
| ·实验结果及其分析 | 第103-105页 |
| 第6节 贝叶斯网络分类与推断结论分析 | 第105-107页 |
| ·贝叶斯网络分类分析 | 第105-106页 |
| ·贝叶斯网络推断分析 | 第106-107页 |
| ·归纳推理的几个原则 | 第106页 |
| ·贝叶斯网络推理 | 第106-107页 |
| 第7节 本章小结 | 第107-108页 |
| 第六章 遥感图像边缘检测与遗传多分辨率图像分类方法 | 第108-129页 |
| 第1节 图像分割与分类 | 第109-110页 |
| ·图像分割与分类 | 第109页 |
| ·分割与分类算法及其遗传优化 | 第109-110页 |
| 第2节 基于像元替换的边缘检测方法 | 第110-117页 |
| ·遥感空间信息提取 | 第111-115页 |
| ·像元替换技术 | 第112-114页 |
| ·通过模板卷积实现边缘提取 | 第114-115页 |
| ·遥感数据灰度分解与边缘信息提取 | 第115-116页 |
| ·图像处理实验及其效果分析 | 第116页 |
| ·结论与讨论 | 第116-117页 |
| 第3节 图像数据的四叉树结构表示与多分辨率图像锥 | 第117-119页 |
| ·四叉树表示图像 | 第117-118页 |
| ·多分辨率图像锥 | 第118-119页 |
| 第4节 一种可扩展四叉树结构描述及其遍历算法 | 第119-123页 |
| ·可扩展四叉树结构 | 第119-122页 |
| ·可扩展四叉树结构的遍历算法 | 第122-123页 |
| 第5节 基于遗传算法的多光谱多分辨率图像分类方法 | 第123-128页 |
| ·预处理过程 | 第123-124页 |
| ·统计类别信息 | 第123页 |
| ·建造四叉树结构 | 第123-124页 |
| ·基于GA的能量最小化 | 第124-128页 |
| ·适应度函数 | 第124-125页 |
| ·编码机制 | 第125页 |
| ·定义遗传算子 | 第125-128页 |
| 第6节 本章小结 | 第128-129页 |
| 第七章 结论与讨论 | 第129-131页 |
| 参考文献 | 第131-140页 |
| 攻读博士期间参加的课题和发表的文章 | 第140-143页 |
| 致谢 | 第143页 |
