基于SVM遥感数据专题信息提取
| 第1章 前言 | 第1-14页 |
| ·研究目的与意义 | 第8-9页 |
| ·研究内容 | 第9页 |
| ·研究现状 | 第9-12页 |
| ·SVM理论及应用研究现状 | 第9-11页 |
| ·遥感矿化信息提取国内外研究现状 | 第11-12页 |
| ·本章小结 | 第12-14页 |
| 第2章 遥感岩矿识别光谱特征 | 第14-26页 |
| ·矿物基团和离子光谱的敏感性 | 第14-23页 |
| ·基团和离子光谱特征 | 第14-17页 |
| ·H_2O与HO~- | 第17-20页 |
| ·Fe离子 | 第20-22页 |
| ·Mn离子 | 第22-23页 |
| ·TM数码的物理含义 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 第3章 SVM算法 | 第26-46页 |
| ·机器学习基本问题和方法 | 第26-28页 |
| ·问题的表示 | 第26-27页 |
| ·经验风险最小化 | 第27页 |
| ·复杂性和推广能性能 | 第27-28页 |
| ·统计学习理论 | 第28-30页 |
| ·VC维 | 第28-29页 |
| ·推广性的界 | 第29页 |
| ·结构风险最小化原理 | 第29-30页 |
| ·支持向量机 | 第30-37页 |
| ·支持向量机实现方法 | 第30-33页 |
| ·SVM例子 | 第33-37页 |
| ·SVM核函数 | 第37-39页 |
| ·核函数及其参数的自动选择选取 | 第39-40页 |
| ·SVM算法优化 | 第40-45页 |
| ·关于二次规划算法的探索 | 第40-41页 |
| ·SMO算法 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于SVM专题信息提取方法 | 第46-59页 |
| ·遥感专题信息提取方法 | 第46-49页 |
| ·特征数据提取 | 第46-47页 |
| ·如何构造矿化特征样本矩阵 | 第47页 |
| ·机器学习 | 第47-48页 |
| ·分类及方法总结 | 第48-49页 |
| ·测试LOO模型选择算法，记录分析SVM分类精度 | 第49-53页 |
| ·使用LOO自动模型选择算法进行分类试验 | 第49-51页 |
| ·人工选择核函数模型参数，对测试样本进行分类 | 第51-53页 |
| ·遥感图像专题信息提取 | 第53-58页 |
| ·试验结果及分析 | 第58页 |
| ·本章小结 | 第58-59页 |
| 第5章 结论与建议 | 第59-61页 |
| ·主要成果与结论 | 第59页 |
| ·后续工作的建议 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66页 |
