基于支持向量机的高光谱图像分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题研究背景和意义 | 第10-12页 |
| ·高光谱分类的研究现状 | 第12-14页 |
| ·本文的研究内容和组织结构 | 第14-16页 |
| 第2章 高光谱遥感图像的分类理论 | 第16-28页 |
| ·高光谱遥感图像数据特性分析 | 第16-19页 |
| ·高光谱数据表述 | 第16-18页 |
| ·高光谱数据的特性 | 第18-19页 |
| ·高光谱数据分类 | 第19-25页 |
| ·关于直接光谱匹配的确定性方法 | 第19-20页 |
| ·一般统计分类问题 | 第20-24页 |
| ·数据分类存在的问题 | 第24-25页 |
| ·高光谱数据的分类流程 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 统计学习理论和支持向量机 | 第28-44页 |
| ·统计学习理论 | 第28-33页 |
| ·机器学习问题的表示 | 第29页 |
| ·经验风险最小化原则 | 第29-30页 |
| ·VC维 | 第30-31页 |
| ·学习过程的一致性 | 第31-32页 |
| ·结构风险最小化 | 第32-33页 |
| ·支持向量机 | 第33-43页 |
| ·线性分类器 | 第34页 |
| ·最优分类面 | 第34-37页 |
| ·支持向量机 | 第37-39页 |
| ·改进核函数及高光谱图像分类仿真实验 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 最小二乘支持向量机高光谱图像分类 | 第44-56页 |
| ·LS-SVM的原理 | 第44-47页 |
| ·LS-SVM的训练样本选择以及模型参数选择 | 第47-48页 |
| ·训练样本选择 | 第47页 |
| ·模型参数的选择 | 第47-48页 |
| ·双边加权LS-SVM | 第48-50页 |
| ·高光谱遥感图像分类仿真实验 | 第50-54页 |
| ·实验图像和分类流程 | 第50-52页 |
| ·算法仿真实验 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第5章 多类支持向量机图像分类 | 第56-68页 |
| ·多类支持向量机的研究现状 | 第56-61页 |
| ·1-v-r SVM | 第56-57页 |
| ·1-v-1 SVM | 第57页 |
| ·有向无环图SVM | 第57-58页 |
| ·自适应DAG-SVM | 第58-59页 |
| ·纠错编码SVM | 第59-60页 |
| ·超球体二叉树SVM | 第60-61页 |
| ·各种多类SVM的性能对比 | 第61-64页 |
| ·训练速度 | 第61-63页 |
| ·分类速度 | 第63页 |
| ·结构选择与推广能力 | 第63-64页 |
| ·高光谱遥感图像多类分类算法仿真实验 | 第64-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的文章和取得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
