基于深度学习的高光谱解混
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 研究背景和意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 光谱混合模型 | 第19-20页 |
| 1.2.2 高光谱解混技术 | 第20-21页 |
| 1.3 论文主要工作及内容安排 | 第21-25页 |
| 第二章 深度学习与高光谱数据解混方法 | 第25-37页 |
| 2.1 深度学习概述 | 第25-28页 |
| 2.1.1 神经元模型 | 第25-26页 |
| 2.1.2 神经网络模型 | 第26-27页 |
| 2.1.3 深度学习的概念 | 第27页 |
| 2.1.4 浅层学习和深度学习 | 第27-28页 |
| 2.2 深度学习常用方法 | 第28-33页 |
| 2.2.1 受限玻尔兹曼机 | 第28-30页 |
| 2.2.2 深度置信网络 | 第30-31页 |
| 2.2.3 卷积神经网络 | 第31-32页 |
| 2.2.4 自动编码器 | 第32-33页 |
| 2.3 深度学习解混网络架构 | 第33-35页 |
| 2.4 性能评价指标 | 第35-37页 |
| 第三章 基于加权相似正则的高光谱解混 | 第37-55页 |
| 3.1 加权相似正则的高光谱解混 | 第37-40页 |
| 3.1.1 算法概述 | 第37-38页 |
| 3.1.2 稀疏自动编码器 | 第38-39页 |
| 3.1.3 相似正则的添加 | 第39-40页 |
| 3.2 网络训练 | 第40-44页 |
| 3.3 实验结果与分析 | 第44-52页 |
| 3.3.1 合成数据集 | 第44页 |
| 3.3.2 稀疏自动编码器特征提取分析 | 第44-46页 |
| 3.3.3 模拟数据一实验 | 第46-48页 |
| 3.3.4 模拟数据二实验 | 第48-50页 |
| 3.3.5 真实数据实验 | 第50-52页 |
| 3.4 本章小结 | 第52-55页 |
| 第四章 基于波段筛选的高光谱解混 | 第55-71页 |
| 4.1 波段筛选解混 | 第55-58页 |
| 4.1.1 算法概述 | 第55-56页 |
| 4.1.2 实验基础 | 第56-58页 |
| 4.2 基于空间信息的后处理 | 第58-60页 |
| 4.3 实验结果与分析 | 第60-70页 |
| 4.3.1 模拟数据一实验 | 第60-61页 |
| 4.3.2 模拟数据二实验 | 第61-65页 |
| 4.3.3 模拟数据三实验 | 第65-68页 |
| 4.3.4 实际数据实验 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 结合网络集成的高光谱解混 | 第71-87页 |
| 5.1 集成网络概述 | 第71-72页 |
| 5.2 集成神经网络的建模 | 第72-73页 |
| 5.3 集成网络解混 | 第73-76页 |
| 5.4 实验结果与分析 | 第76-85页 |
| 5.4.1 模拟数据一实验 | 第76-80页 |
| 5.4.2 模拟数据二实验 | 第80-83页 |
| 5.4.3 真实数据实验 | 第83-85页 |
| 5.5 本章小结 | 第85-87页 |
| 第六章 总结与展望 | 第87-89页 |
| 6.1 总结 | 第87页 |
| 6.2 展望 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 作者简介 | 第95-96页 |
| 1. 基本情况 | 第95页 |
| 2. 教育背景 | 第95页 |
| 3. 攻读硕士学位期间的研究成果 | 第95-96页 |
