| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-25页 |
| 1.1 研究意义 | 第12-13页 |
| 1.2 研究背景 | 第13-15页 |
| 1.3 国内外研究进展 | 第15-21页 |
| 1.3.1 土地覆盖遥感分类研究现状 | 第15页 |
| 1.3.2 模式识别国内外研究进展 | 第15-17页 |
| 1.3.3 基于统计模式识别的遥感图像分类研究现状 | 第17-20页 |
| 1.3.4 地理覆盖变化遥感分类中存在的问题 | 第20-21页 |
| 1.4 研究目标与研究内容 | 第21-22页 |
| 1.4.1 研究目标 | 第21页 |
| 1.4.2 研究内容 | 第21-22页 |
| 1.5 技术路线与结构安排 | 第22-25页 |
| 1.5.1 技术路线 | 第22-23页 |
| 1.5.2 论文结构 | 第23-25页 |
| 第二章 模式识别方法 | 第25-47页 |
| 2.1 模式识别概述 | 第25-26页 |
| 2.2 统计模式识别 | 第26-28页 |
| 2.2.1 决策方法 | 第27页 |
| 2.2.2 特征的抽取与选择 | 第27-28页 |
| 2.2.3 统计模式识别与本文工作的结合点 | 第28页 |
| 2.3 遥感图像分类中的模式识别方法 | 第28-43页 |
| 2.3.1 监督分类方法 | 第28-38页 |
| 2.3.1.1 最大似然分类方法 | 第28-30页 |
| 2.3.1.2 最小距离分类方法 | 第30-32页 |
| 2.3.1.3 支持向量机分类方法 | 第32-36页 |
| 2.3.1.4 人工神经网络分类法 | 第36-37页 |
| 2.3.1.5 K近邻分类法 | 第37-38页 |
| 2.3.2 非监督分类 | 第38-42页 |
| 2.3.2.1 相似性测量方法 | 第38-39页 |
| 2.3.2.2 K-均值聚类法 | 第39-40页 |
| 2.3.2.3 自组织迭代数据分析法 | 第40-42页 |
| 2.3.3 模糊C均值聚类算法 | 第42-43页 |
| 2.4 多分类器组合方法 | 第43-44页 |
| 2.5 分类精度评价 | 第44-46页 |
| 2.5.1 生产精度 | 第44-45页 |
| 2.5.2 用户精度 | 第45页 |
| 2.5.3 总体精度 | 第45页 |
| 2.5.4 Kappa系数 | 第45-46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 支持向量机分类方法 | 第47-77页 |
| 3.1 机器学习理论 | 第47-51页 |
| 3.1.1 机器学习问题的概述 | 第47页 |
| 3.1.2 经验风险最小化原理的概述 | 第47-48页 |
| 3.1.3 统计学习理论的概述 | 第48-51页 |
| 3.1.3.1 函数集的VC维概念 | 第48-49页 |
| 3.1.3.2 泛化误差的边界概念 | 第49页 |
| 3.1.3.3 结构风险最小化原理概念 | 第49-51页 |
| 3.2 支持向量机理论及参数优化 | 第51-62页 |
| 3.2.1 支持向量机理论 | 第51-61页 |
| 3.2.1.1 支持向量机算法概述—最优超平面 | 第51-52页 |
| 3.2.1.2 线性可分情况 | 第52-53页 |
| 3.2.1.3 线性不可分情况 | 第53页 |
| 3.2.1.4 非线性可分情况 | 第53-55页 |
| 3.2.1.5 核函数及特点 | 第55-56页 |
| 3.2.1.6 核函数的基本性质 | 第56页 |
| 3.2.1.7 核函数具体实现步骤 | 第56-57页 |
| 3.2.1.8 多类分类SVM | 第57-61页 |
| 3.2.2 支持向量机参数优化方法 | 第61-62页 |
| 3.3 基于混合核函数的支持向量机 | 第62-71页 |
| 3.3.1 混合核函数方法及实现原理 | 第62-65页 |
| 3.3.2 实验与结果分析 | 第65-71页 |
| 3.4 基于融合核函数的支持向量机 | 第71-76页 |
| 3.4.1 融合核函数方法及实现原理 | 第71-72页 |
| 3.4.2 实验与结果分析 | 第72-76页 |
| 3.5 本章小结 | 第76-77页 |
| 第四章 基于多分类器组合的土地覆盖遥感分类研究 | 第77-109页 |
| 4.1 问题的提出 | 第77-78页 |
| 4.2 基于SV-NN组合分类器的土地覆盖分类方法模型 | 第78-90页 |
| 4.2.1 SV-NN算法描述与实现 | 第79-81页 |
| 4.2.2 实验与结果分析 | 第81-90页 |
| 4.3 基于NN-MS-SV组合分类器的土地覆盖分类方法模型 | 第90-99页 |
| 4.3.1 NN-MS-SV算法实现 | 第92-93页 |
| 4.3.2 实验与结果分析 | 第93-99页 |
| 4.4 基于ELM-SVM组合分类器的土地覆盖分类方法模型 | 第99-107页 |
| 4.4.1 ELM基本概念 | 第100-101页 |
| 4.4.2 ELM-SVM算法描述与实现 | 第101-103页 |
| 4.4.3 实验与结果分析 | 第103-107页 |
| 4.5 本章小结 | 第107-109页 |
| 第五章 基于模糊聚类的面向对象分类研究 | 第109-121页 |
| 5.1 基于对象的分类概述 | 第109-110页 |
| 5.2 基于FCM与SVM的图像像元分割方法 | 第110-120页 |
| 5.2.1 算法原理与流程 | 第110-112页 |
| 5.2.2 实验与结果分析 | 第112-120页 |
| 5.3 本章小结 | 第120-121页 |
| 第六章 总结与展望 | 第121-124页 |
| 6.1 结论 | 第121-122页 |
| 6.2 创新点 | 第122页 |
| 6.3 展望 | 第122-124页 |
| 参考文献 | 第124-134页 |
| 致谢 | 第134-135页 |
| 在学期间公开发表论文情况 | 第135-136页 |
| 在学期间主持与参与科研项目情况 | 第136页 |
