基于支持向量机的高光谱图像分类方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8-9页 |
| ·研究现状与发展 | 第9-12页 |
| ·高光谱遥感技术的发展现状 | 第9-10页 |
| ·统计学习理论与支持向量机 | 第10-12页 |
| ·论文研究内容 | 第12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 支持向量机的理论基础 | 第14-25页 |
| ·机器学习理论 | 第14-17页 |
| ·机器学习问题表述 | 第14-15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·学习复杂性与推广性 | 第16-17页 |
| ·统计学习理论 | 第17-20页 |
| ·学习过程一致性的条件 | 第17-18页 |
| ·VC维与推广能力的界 | 第18-19页 |
| ·结构风险最小化 | 第19-20页 |
| ·支持向量机模型 | 第20-23页 |
| ·最优分类超平面 | 第20-21页 |
| ·软间隔优化 | 第21-22页 |
| ·核方法与Mercer条件 | 第22-23页 |
| ·SVM的实现技术 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 核函数与模型参数 | 第25-40页 |
| ·SVM推广性能指标 | 第25-27页 |
| ·核函数类型的影响 | 第27-30页 |
| ·模型参数的影响 | 第30-35页 |
| ·误差惩罚因子的影响 | 第30-31页 |
| ·核函数参数的影响 | 第31-33页 |
| ·核参数性能指标 | 第33-35页 |
| ·模型参数的选取 | 第35-39页 |
| ·网格搜索法 | 第35页 |
| ·遗传算法 | 第35-37页 |
| ·核参数搜索算法 | 第37页 |
| ·模型参数选取实验 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 高光谱图像SVM分类 | 第40-70页 |
| ·高光谱数据特性 | 第40-43页 |
| ·高光谱图像数据表达 | 第40-41页 |
| ·高维数据的一般特性 | 第41页 |
| ·高光谱图像统计特性 | 第41-42页 |
| ·高维数据分类的维数灾难 | 第42-43页 |
| ·高光谱图像分类技术 | 第43-47页 |
| ·高光谱图像降维 | 第44-45页 |
| ·光谱空间分类方法 | 第45-46页 |
| ·特征空间分类方法 | 第46-47页 |
| ·SVM多类分类理论 | 第47-56页 |
| ·常用多类SVM分类算法 | 第48-50页 |
| ·多类SVM分类方法性能分析 | 第50-52页 |
| ·面向多类的核参数性能指标 | 第52-54页 |
| ·多类SVM的模型参数选取 | 第54-56页 |
| ·SVM高光谱分类影响因素 | 第56-61页 |
| ·样本个数的影响 | 第57-58页 |
| ·数据维数的影响 | 第58-59页 |
| ·加性噪声的影响 | 第59-61页 |
| ·多类SVM分类实验 | 第61-69页 |
| ·高光谱图像分类实验一 | 第61-65页 |
| ·高光谱图像分类实验二 | 第65-68页 |
| ·实验结论 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 SVM变形算法及应用 | 第70-79页 |
| ·支持向量机变形算法 | 第70-74页 |
| ·最小二乘支持向量机 | 第71页 |
| ·拉格朗日支持向量机 | 第71-72页 |
| ·近似支持向量机 | 第72-74页 |
| ·变形算法实验分析 | 第74-76页 |
| ·两类分类实验 | 第74-75页 |
| ·多类分类实验 | 第75-76页 |
| ·P-SVM支持向量预选取 | 第76-78页 |
| ·支持向量预选取 | 第76页 |
| ·支持向量预选规则 | 第76-77页 |
| ·支持向量预选取实验 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| ·内容总结 | 第79-80页 |
| ·研究展望 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第84-85页 |
| 致谢 | 第85页 |
