| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 高光谱图像分类技术研究现状 | 第9-12页 |
| 1.2.2 高斯过程研究现状 | 第12-13页 |
| 1.3 本文研究的主要目的及内容 | 第13-16页 |
| 2 基于高斯过程的高光谱图像分类算法 | 第16-24页 |
| 2.1 高斯过程基本原理 | 第16-18页 |
| 2.1.1 机器学习理论 | 第16-17页 |
| 2.1.2 贝叶斯理论 | 第17-18页 |
| 2.1.3 高斯过程原理 | 第18页 |
| 2.2 分类决策理论 | 第18-19页 |
| 2.3 高光谱图像的特性 | 第19-20页 |
| 2.4 分类精度评价体系 | 第20-21页 |
| 2.5 高斯过程高光谱图像分类算法 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 基于多目标策略高斯过程的高光谱图像分类模型 | 第24-32页 |
| 3.1 直接高斯过程多类分类算法 | 第24-27页 |
| 3.2 间接高斯过程多类分类算法 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于组合核函数高斯过程的高光谱图像分类模型 | 第32-42页 |
| 4.1 核函数的含义 | 第32-34页 |
| 4.1.1 核函数的性质 | 第32-33页 |
| 4.1.2 核函数分类 | 第33-34页 |
| 4.2 组合核函数 | 第34页 |
| 4.3 基于组合核函数高斯过程的高光谱图像算法 | 第34-37页 |
| 4.3.1 后验分布的求取 | 第34-35页 |
| 4.3.2 待测样本的估计 | 第35-36页 |
| 4.3.3 边界似然的计算 | 第36-37页 |
| 4.4 实验结果与分析 | 第37-40页 |
| 4.5 本章小结 | 第40-42页 |
| 5 基于Parzen窗-组合核函数高斯过程高光谱图像分类模型 | 第42-52页 |
| 5.1 Parzen窗估计法原理 | 第42-43页 |
| 5.2 基于Parzen窗-组合核函数高斯过程高光谱分类算法 | 第43-48页 |
| 5.2.1 后验概率的估计 | 第44-45页 |
| 5.2.2 潜变函数的学习 | 第45-47页 |
| 5.2.3 预测阶段 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-50页 |
| 5.4 本章小结 | 第50-52页 |
| 6 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-58页 |