| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 高光谱图像分类研究现状 | 第11-12页 |
| 1.3 本文研究内容及结构 | 第12-16页 |
| 第二章 高光谱图像分类基础 | 第16-40页 |
| 2.1 引言 | 第16页 |
| 2.2 高光谱数据的特性分析 | 第16-18页 |
| 2.2.1 高光谱数据表达方式 | 第16页 |
| 2.2.2 高光谱图像的突出特点 | 第16-17页 |
| 2.2.3 高光谱图像数据空间 | 第17-18页 |
| 2.3 高光谱图像特征提取算法 | 第18-34页 |
| 2.3.1 主成分分析 | 第18-19页 |
| 2.3.2 最大噪声分数变换 | 第19-20页 |
| 2.3.3 流形学习 | 第20页 |
| 2.3.4 人工神经网络 | 第20-23页 |
| 2.3.5 深度神经网络 | 第23-34页 |
| 2.4 高光谱图像分类算法 | 第34-39页 |
| 2.4.1 无监督分类 | 第35-37页 |
| 2.4.2 有监督分类 | 第37-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 深度堆栈网络与逻辑回归分类器 | 第40-46页 |
| 3.1 引言 | 第40页 |
| 3.2 深度堆栈网络模型 | 第40-44页 |
| 3.2.1 模型结构 | 第40-41页 |
| 3.2.2 学习算法 | 第41-42页 |
| 3.2.3 微调算法 | 第42页 |
| 3.2.4 正则化方法 | 第42-43页 |
| 3.2.5 网络模型的深度 | 第43-44页 |
| 3.3 逻辑回归分类器 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于DSN-LR和光谱信息的高光谱图像分类 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 深度堆栈网络与逻辑回归分类器模型 | 第46-48页 |
| 4.3 实验设计与结果分析 | 第48-53页 |
| 4.3.1 KSC数据集 | 第48-49页 |
| 4.3.2 实验步骤与实验设置 | 第49-50页 |
| 4.3.3 结果与分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于DSN-LR和光谱与空间联合信息的高光谱图像分类 | 第54-66页 |
| 5.1 引言 | 第54页 |
| 5.2 空间特征提取与分类 | 第54-56页 |
| 5.3 光谱空间联合特征提取与分类 | 第56-57页 |
| 5.4 实验分析 | 第57-65页 |
| 5.4.1 PCA主分量数的选取 | 第57-58页 |
| 5.4.2 全数据集和分批处理训练 | 第58-60页 |
| 5.4.3 DSN模型参数的选取 | 第60-61页 |
| 5.4.4 算法性能比较 | 第61-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 研究工作总结 | 第66-67页 |
| 6.2 对进一步工作的展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读研究生期间参加科研及发表学术论文情况 | 第72-74页 |
| 致谢 | 第74-75页 |