| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向的研究现状及分析 | 第10-13页 |
| 1.2.1 高光谱数据特性分析 | 第10-11页 |
| 1.2.2 深度学习理论及卷积神经网络 | 第11-12页 |
| 1.2.3 高光谱数据特征提取与分类的研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-16页 |
| 第2章 高光谱数据在空间和光谱变化下的特性分析 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 高光谱遥感的成像特点与数据表示 | 第16-17页 |
| 2.3 高光谱数据在空间信息下特性的度量 | 第17-18页 |
| 2.4 高光谱数据在光谱信息下特性的度量 | 第18-19页 |
| 2.5 高光谱数据的特征相关性 | 第19-20页 |
| 2.6 高光谱数据的空间－光谱信息联合 | 第20页 |
| 2.7 本章小结 | 第20-21页 |
| 第3章 深度卷积网的理论与应用研究 | 第21-29页 |
| 3.1 引言 | 第21页 |
| 3.2 深度学习理论研究 | 第21-23页 |
| 3.2.1 深度学习的基本思想 | 第21-22页 |
| 3.2.2 深度学习的实现过程 | 第22-23页 |
| 3.3 卷积神经网络原理 | 第23-24页 |
| 3.4 深层卷积神经网络 | 第24-26页 |
| 3.4.1 深层卷积神经网络的网络结构 | 第24-25页 |
| 3.4.2 隐层特征的简单理解 | 第25-26页 |
| 3.5 深层卷积神经网络的优化方法 | 第26-28页 |
| 3.5.1 模型中常用的激活函数 | 第26-27页 |
| 3.5.2 过拟合问题的优化方法 | 第27-28页 |
| 3.6 本章小结 | 第28-29页 |
| 第4章 深度卷积网在高光谱数据分类中的应用 | 第29-47页 |
| 4.1 引言 | 第29页 |
| 4.2 实验图像数据简介 | 第29-31页 |
| 4.3 基于光谱信息的高光谱数据特征提取与分类 | 第31-37页 |
| 4.3.1 1D CNN网络结构对于分类精度的影响 | 第32-33页 |
| 4.3.2 1D CNN的可视化分析 | 第33-35页 |
| 4.3.3 不同特征提取与分类方法结果的对比 | 第35-37页 |
| 4.4 基于空间信息的高光谱数据分类 | 第37-42页 |
| 4.4.1 2D CNN的模型设计与特征提取可视化分析 | 第38-40页 |
| 4.4.2 与其他经典的特征提取和分类方法对比 | 第40-42页 |
| 4.5 基于光谱-空间信息的高光谱数据分类 | 第42-46页 |
| 4.5.1 3D CNN网络结构的优化对比 | 第42-44页 |
| 4.5.2 与其他经典的特征提取和分类方法对比 | 第44-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 基于卷积神经网集成的高光谱数据分类 | 第47-53页 |
| 5.1 引言 | 第47页 |
| 5.2 集成学习理论简介及分类系统的构造 | 第47-48页 |
| 5.2.1 集成学习理论简介 | 第47-48页 |
| 5.2.2 集成学习分类系统的构造 | 第48页 |
| 5.3 基于随机特征选择的卷积神经网集成 | 第48-50页 |
| 5.4 实验结果及分析 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61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 |