| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的主要工作及结构安排 | 第14-16页 |
| 第二章 基于机器学习的目标识别算法相关理论知识 | 第16-26页 |
| 2.1 特征的提取与描述 | 第16-19页 |
| 2.1.1 全局特征 | 第16-17页 |
| 2.1.2 局部特征 | 第17-19页 |
| 2.2 目标识别模型 | 第19-22页 |
| 2.2.1 特征袋(BOF)模型 | 第19-20页 |
| 2.2.2 空间金字塔模型 | 第20-22页 |
| 2.3 分类器设计 | 第22-25页 |
| 2.3.1 支持向量机 | 第22-23页 |
| 2.3.2 极限学习机 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于旋转森林选择性集成ELM的目标识别算法 | 第26-42页 |
| 3.1 旋转森林算法 | 第26-28页 |
| 3.2 选择性集成学习模型 | 第28-29页 |
| 3.3 基于RFSEN-ELM的目标识别算法 | 第29-33页 |
| 3.3.1 基于旋转森林的集成ELM算法 | 第29-30页 |
| 3.3.2 基于遗传算法的选择性集成模型 | 第30-32页 |
| 3.3.3 基于RFSEN-ELM的目标识别算法 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 3.4.1 实验条件 | 第33-34页 |
| 3.4.2 实验参数设置 | 第34-35页 |
| 3.4.3 算法结果讨论 | 第35-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于加权投票集成ELM和紧凑型空间金字塔模型的目标识别算法 | 第42-56页 |
| 4.1 紧凑型空间金字塔模型 | 第42-45页 |
| 4.1.1 AIB聚类算法 | 第43页 |
| 4.1.2 基于AIB聚类算法的紧凑型空间金字塔模型 | 第43-45页 |
| 4.2 基于加权投票的集成ELM | 第45-48页 |
| 4.2.1 矩阵条件数 | 第45-46页 |
| 4.2.2 基于矩阵条件数的加权投票机制 | 第46-47页 |
| 4.2.3 RFWV-ELM集成分类器 | 第47-48页 |
| 4.3 基于RFWV-ELM和CSPM模型的目标识别算法 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-55页 |
| 4.4.1 实验条件 | 第49-50页 |
| 4.4.2 实验参数设置 | 第50页 |
| 4.4.3 算法结果讨论 | 第50-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间的研究成果 | 第65页 |
