贝叶斯网络模型在遥感影像分类中的应用方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 目录 | 第9-12页 |
| 第一章 概述 | 第12-26页 |
| ·研究背景和意义 | 第12-16页 |
| ·国内外研究和应用现状 | 第16-23页 |
| ·本文的主要研究内容 | 第23-26页 |
| ·约束型贝叶斯网络分类器 | 第23-24页 |
| ·高斯混合模型 | 第24页 |
| ·朴素贝叶斯网络的扩展 | 第24-26页 |
| 第二章 贝叶斯网络的理论基础 | 第26-42页 |
| ·贝叶斯网络的基本原理 | 第26-33页 |
| ·概率的解释 | 第26-27页 |
| ·贝叶斯网络的基本概念 | 第27-29页 |
| ·贝叶斯网络的基本结构 | 第29-30页 |
| ·条件独立与联合概率的分解 | 第30-32页 |
| ·贝叶斯定理 | 第32-33页 |
| ·贝叶斯网络的学习和推理 | 第33-36页 |
| ·贝叶斯网络的语义 | 第36-37页 |
| ·贝叶斯方法的计算学习机制 | 第37-39页 |
| ·图模型与贝叶斯网络 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 基于贝叶斯网络的遥感影像分类技术框架 | 第42-49页 |
| ·贝叶斯网络分类器 | 第42-44页 |
| ·遥感数据分类 | 第44-49页 |
| 第四章 约束型贝叶斯网络分类器 | 第49-79页 |
| ·朴素贝叶斯网络分类器 | 第49-56页 |
| ·朴素贝叶斯网络的学习 | 第50-52页 |
| ·条件独立性假设 | 第52-56页 |
| ·朴素贝叶斯网络分类器的改进 | 第56-62页 |
| ·结构学习实验 | 第57-60页 |
| ·样本数的讨论 | 第60-62页 |
| ·多光谱影像实验 | 第62-66页 |
| ·实验数据 | 第62-63页 |
| ·结果及分析 | 第63-66页 |
| ·高光谱影像实验 | 第66-73页 |
| ·实验数据 | 第66-67页 |
| ·特征选择 | 第67-69页 |
| ·结果及分析 | 第69-73页 |
| ·贝叶斯多网分类器 | 第73-77页 |
| ·BMN分类器构建 | 第73-74页 |
| ·实验与分析 | 第74-77页 |
| ·本章小结 | 第77-79页 |
| 第五章 高斯混合模型 | 第79-102页 |
| ·高斯混合模型 | 第79-81页 |
| ·EM算法及其改进 | 第81-85页 |
| ·GMM-UC模型 | 第85-93页 |
| ·GMM-UC模型构建 | 第86-87页 |
| ·模拟数据试验 | 第87-88页 |
| ·多光谱影像实验 | 第88-92页 |
| ·小结 | 第92-93页 |
| ·GMM-NBC模型 | 第93-101页 |
| ·GMM-NBC模型构建 | 第94-97页 |
| ·多光谱影像试验 | 第97-99页 |
| ·高光谱影响试验 | 第99-100页 |
| ·小结 | 第100-101页 |
| ·本章小结 | 第101-102页 |
| 第六章 分层朴素贝叶斯网络 | 第102-121页 |
| ·HNBC模型构建 | 第102-105页 |
| ·高维纹理实验 | 第105-114页 |
| ·实验数据 | 第105-106页 |
| ·实验方案 | 第106-107页 |
| ·结果及分析 | 第107-114页 |
| ·小结 | 第114页 |
| ·OMIS影像实验 | 第114-120页 |
| ·实验数据 | 第114-115页 |
| ·实验方案 | 第115-116页 |
| ·结果及分析 | 第116-120页 |
| ·本章小结 | 第120-121页 |
| 第七章 总结与展望 | 第121-124页 |
| ·本文的贡献和主要工作 | 第121-123页 |
| ·将来的研究工作和展望 | 第123-124页 |
| 参考文献 | 第124-130页 |
| 攻读博士学位期间发表的论文 | 第130-132页 |
| 攻读博士学位期间参与的主要科研项目 | 第132页 |
| 攻读博士学位期间获奖的情况 | 第132-133页 |
| 致谢 | 第133-134页 |
