基于流形学习的高光谱数据特征提取及分类
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.1.1 课题来源 | 第8页 |
| 1.1.2 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.2.3 国内外文献综述简析 | 第11-12页 |
| 1.3 主要研究内容及论文结构 | 第12-13页 |
| 第2章 流形学习及高光谱数据特性分析 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 高光谱数据 | 第13-14页 |
| 2.3 流形学习算法的局部保持性 | 第14-19页 |
| 2.3.1 拉普拉斯特征映射 LE | 第15-16页 |
| 2.3.2 局部线性嵌入 LLE | 第16-18页 |
| 2.3.3 局部切空间排列 LTSA | 第18-19页 |
| 2.4 高光谱数据的相关性 | 第19-22页 |
| 2.4.1 高光谱数据的相关性 | 第19-21页 |
| 2.4.2 流形学习的去相关特性 | 第21-22页 |
| 2.5 高光谱数据的分布特性 | 第22-23页 |
| 2.5.1 波段选择法 | 第22-23页 |
| 2.5.2 波段降维法 | 第23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 基于流形学习的高光谱数据泛化 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 基于线性化的流形学习的泛化方法 | 第25-28页 |
| 3.2.1 LE 算法的线性化 | 第25-26页 |
| 3.2.2 LLE 算法的线性化 | 第26-27页 |
| 3.2.3 LTSA 算法的线性化 | 第27页 |
| 3.2.4 线性化泛化算法的性能测试 | 第27-28页 |
| 3.3 基于全局线性回归的流形学习泛化算法 | 第28-33页 |
| 3.3.1 OSE-GLR 算法步骤 | 第29-31页 |
| 3.3.2 OSE-GLR 算法的仿真实验 | 第31-33页 |
| 3.4 基于局部线性回归的流形学习泛化算法 | 第33-38页 |
| 3.4.1 OSE-LLR 算法步骤 | 第33-34页 |
| 3.4.2 OSE-LLR 算法的仿真实验 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于流形学习的高光谱数据分类 | 第39-59页 |
| 4.1 引言 | 第39页 |
| 4.2 基于无监督流形学习的高光谱分类 | 第39-44页 |
| 4.2.1 非线性流形学习算法 | 第40-42页 |
| 4.2.2 线性化的流形学习算法 | 第42-44页 |
| 4.3 基于类别编码的有监督流形学习算法 | 第44-48页 |
| 4.3.1 流形学习常用的有监督化方法 | 第44-45页 |
| 4.3.2 基于类别编码的有监督化方法 | 第45-48页 |
| 4.4 基于流形分割的有监督流形化方法 | 第48-58页 |
| 4.4.1 非线性评价函数 | 第49-52页 |
| 4.4.2 流形分割算法 | 第52-55页 |
| 4.4.3 层次化距离定义 | 第55-57页 |
| 4.4.4 有监督流形学习的分类性能对比 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-65页 |
| 致谢 | 第65页 |
