| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第15-17页 |
| 缩略语对照表 | 第17-22页 |
| 第一章 绪论 | 第22-36页 |
| 1.1 研究背景与意义 | 第22-24页 |
| 1.2 高光谱遥感影像的成像特点及其面临的挑战 | 第24-26页 |
| 1.3 高光谱特征选择的研究现状及难点 | 第26-29页 |
| 1.4 高光谱特征提取的研究现状及难点 | 第29-32页 |
| 1.5 研究内容及章节安排 | 第32-36页 |
| 1.5.1 主要研究内容 | 第32-34页 |
| 1.5.2 章节安排 | 第34-36页 |
| 第二章 基于Memetic计算的高光谱特征选择算法 | 第36-50页 |
| 2.1 引言 | 第36-38页 |
| 2.2 Memetic计算 | 第38页 |
| 2.3 基于Memetic计算的特征选择算法 | 第38-42页 |
| 2.3.1 波段选择目标函数 | 第38-40页 |
| 2.3.2 基于Memetic计算的波段选择 | 第40-42页 |
| 2.4 实验结果分析 | 第42-47页 |
| 2.4.1 对比算法与实验设置 | 第42-43页 |
| 2.4.2 数据集描述 | 第43-44页 |
| 2.4.3 分类性能实验结果 | 第44-46页 |
| 2.4.4 局部搜索策略的有效性 | 第46-47页 |
| 2.5 本章小结 | 第47-50页 |
| 第三章 基于模糊聚类与粒子群优化的无监督高光谱特征选择 | 第50-62页 |
| 3.1 引言 | 第50-51页 |
| 3.2 模糊C均值算法 | 第51-52页 |
| 3.3 改进的联合PSO与FCM的无监督波段选择算法 | 第52-54页 |
| 3.4 实验结果分析 | 第54-60页 |
| 3.4.1 实验设置 | 第54-55页 |
| 3.4.2 分类性能比较 | 第55-58页 |
| 3.4.3 PSO-FCM的参数分析 | 第58-60页 |
| 3.4.4 计算时间复杂度分析 | 第60页 |
| 3.5 本章小结 | 第60-62页 |
| 第四章 基于进化多目标优化的高光谱特征选择算法 | 第62-86页 |
| 4.1 引言 | 第62-63页 |
| 4.2 多目标进化算法 | 第63-64页 |
| 4.3 基于进化多目标优化的特征选择算法 | 第64-70页 |
| 4.3.1 针对波段选择问题的多目标模型 | 第64-65页 |
| 4.3.2 切比雪夫分解策略 | 第65-67页 |
| 4.3.3 局部搜索的约束 | 第67-68页 |
| 4.3.4 基于分解的多目标优化的波段选择 | 第68-70页 |
| 4.4 实验结果分析 | 第70-84页 |
| 4.4.1 Indian Pines数据集的实验结果 | 第72-75页 |
| 4.4.2 Pavia University数据集的实验结果 | 第75-78页 |
| 4.4.3 Salinas数据集的实验结果 | 第78-81页 |
| 4.4.4 运行时间分析 | 第81-82页 |
| 4.4.5 MOBS的敏感性分析 | 第82-83页 |
| 4.4.6 实验讨论 | 第83-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第五章 基于多目标人工免疫算法的波段选择:探索信息量与冗余度的关系 | 第86-112页 |
| 5.1 引言 | 第86-87页 |
| 5.2 基于多目标人工免疫算法的波段选择 | 第87-92页 |
| 5.2.1 探索信息量与冗余度关系的多目标优化模型 | 第87-90页 |
| 5.2.2 多目标人工免疫算法 | 第90-91页 |
| 5.2.3 BOMBS的执行过程 | 第91-92页 |
| 5.3 实验结果分析 | 第92-111页 |
| 5.3.1 AVIRIS传感器数据Indian Pines下的实验 | 第94-98页 |
| 5.3.2 ROSIS传感器数据Pavia University下的实验 | 第98-101页 |
| 5.3.3 AVIRIS传感器数据Salinas下的实验 | 第101-104页 |
| 5.3.4 多目标优化算法的分析 | 第104-107页 |
| 5.3.5 计算复杂度分析 | 第107-109页 |
| 5.3.6 BOMBS中的分析 | 第109-110页 |
| 5.3.7 讨论 | 第110-111页 |
| 5.4 本章小结 | 第111-112页 |
| 第六章 基于WGAN与CNN的无监督高光谱特征提取 | 第112-132页 |
| 6.1 引言 | 第112-113页 |
| 6.2 基于Wasserstein距离的对抗生成模型 | 第113-115页 |
| 6.3 基于WGAN与CNN的无监督特征提取 | 第115-120页 |
| 6.3.1 卷积神经网络CNN | 第115-116页 |
| 6.3.2 基于WGAN与CNN的算法框架与目标函数设置 | 第116-117页 |
| 6.3.3 判别器的结构 | 第117-118页 |
| 6.3.4 生成器的结构 | 第118-119页 |
| 6.3.5 特征提取器的结构 | 第119-120页 |
| 6.3.6 基于对抗生成模型的无监督训练 | 第120页 |
| 6.4 实验结果分析 | 第120-130页 |
| 6.4.1 Indian Pines上的分类效果比较实验 | 第121-123页 |
| 6.4.2 Pavia Univeristy数据集上的分类效果比较实验 | 第123-125页 |
| 6.4.3 Salinas数据集上的分类效果比较实验 | 第125-127页 |
| 6.4.4 提出的方法中的一些细节讨论 | 第127-130页 |
| 6.4.5 实验讨论 | 第130页 |
| 6.5 本章小结 | 第130-132页 |
| 第七章 总结与展望 | 第132-136页 |
| 7.1 研究内容总结 | 第132-134页 |
| 7.2 未来研究展望 | 第134-136页 |
| 参考文献 | 第136-150页 |
| 致谢 | 第150-152页 |
| 作者简介 | 第152-153页 |
