| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 背景与意义 | 第9-11页 |
| 1.2 深度学习的发展 | 第11-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 高分辨率遥感影像特征提取研究现状 | 第15-17页 |
| 1.3.2 稀疏RBM研究现状 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18-20页 |
| 第二章 稀疏受限玻尔兹曼机理论基础 | 第20-32页 |
| 2.1 受限波尔兹曼机模型及其算法 | 第20-23页 |
| 2.2 稀疏表示 | 第23-26页 |
| 2.2.1 基于基函数的稀疏表示 | 第24-25页 |
| 2.2.2 基于过完备词典的稀疏表示 | 第25-26页 |
| 2.3 稀疏RBM算法 | 第26-30页 |
| 2.3.1 基于误差平方和稀疏惩罚因子的稀疏RBM | 第27-28页 |
| 2.3.2 基于稀疏组的稀疏RBM | 第28-29页 |
| 2.3.3 基于率失真理论的稀疏RBM | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于Lorentz函数的稀疏约束RBM模型 | 第32-49页 |
| 3.1 基于Lorentz函数的稀疏约束模型理论基础 | 第32-33页 |
| 3.2 模型求解 | 第33-35页 |
| 3.3 基于LRBM的DBN模型 | 第35-36页 |
| 3.4 基于LRBM的实验分析 | 第36-48页 |
| 3.4.1 基于MNIST数据集的分析 | 第36-45页 |
| 3.4.2 基于CIFAR-10数据集分析 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于LRBM的高分辨率遥感影像分类 | 第49-58页 |
| 4.1 LRBM与支持向量机相结合的分类方法 | 第49-50页 |
| 4.2 基于LRBM-SVM方法的高分辨率遥感影像分类 | 第50-56页 |
| 4.2.1 数据集 | 第50-51页 |
| 4.2.2 两类高分辨率遥感影像分类实验分析 | 第51-54页 |
| 4.2.3 多类高分辨率遥感影像分类实验分析 | 第54-56页 |
| 4.3 网络深度对分类率影响 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文的研究工作总结 | 第58页 |
| 5.2 相关研究工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
