基于自动编码机的高光谱图像特征提取及分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的背景及意义 | 第9-10页 |
| 1.2 相关技术的发展与研究现状综述 | 第10-14页 |
| 1.2.1 高光谱数据的非线性特性分析 | 第10-11页 |
| 1.2.2 高光谱数据的特征提取 | 第11页 |
| 1.2.3 深度学习理论 | 第11-13页 |
| 1.2.4 高光谱数据分类 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 高光谱图像的非线性特性分析 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 物理原理角度论证 | 第16-18页 |
| 2.3 基于统计假设检验的方法 | 第18-20页 |
| 2.4 实验验证 | 第20-24页 |
| 2.4.1 数据源简介 | 第20-21页 |
| 2.4.2 特征空间中的验证 | 第21-23页 |
| 2.4.3 基于统计假设检验的方法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 自动编码机的理论与应用研究 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 自动编码机 | 第25-29页 |
| 3.2.1 模型结构 | 第25-26页 |
| 3.2.2 训练法则 | 第26-29页 |
| 3.2.3 可视化分析 | 第29页 |
| 3.3 堆栈自动编码机 | 第29-30页 |
| 3.4 实验验证 | 第30-34页 |
| 3.4.1 自动编码机对输入的重建 | 第30-31页 |
| 3.4.2 学习得到的权值 | 第31-32页 |
| 3.4.3 算法运行效率 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于谱信息的高光谱图像特征提取及分类 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 自动编码机与支持向量机模型 | 第35-36页 |
| 4.3 堆栈自动编码机与逻辑回归分类器模型 | 第36-38页 |
| 4.4 实验验证 | 第38-44页 |
| 4.4.1 自动编码机与支持向量机 | 第38-39页 |
| 4.4.2 自动编码机与逻辑回归分类器 | 第39页 |
| 4.4.3 深度对分类精度的影响 | 第39-40页 |
| 4.4.4 与 SVM 的性能比较 | 第40-43页 |
| 4.4.5 显著性水平分析 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 基于空谱联合的高光谱图像分类 | 第45-55页 |
| 5.1 引言 | 第45页 |
| 5.2 空间信息占优的分类方法 | 第45-47页 |
| 5.3 空谱联合分类 | 第47-48页 |
| 5.4 实验验证 | 第48-54页 |
| 5.4.1 空间信息占优的分类方法 | 第48-51页 |
| 5.4.2 空谱联合分类 | 第51页 |
| 5.4.3 显著性水平分析 | 第51-53页 |
| 5.4.4 全图分类结果 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-63页 |
| 致谢 | 第63页 |
