| 摘要 | 第1-15页 |
| ABSTRACT | 第15-19页 |
| 第一章 绪论 | 第19-32页 |
| §1.1 课题研究背景 | 第19-23页 |
| ·概念描述 | 第19页 |
| ·遥感图像监督分类概述 | 第19-21页 |
| ·遥感领域的应用需求 | 第21-22页 |
| ·遥感图像监督分类的技术需求 | 第22-23页 |
| §1.2 相关研究领域概述 | 第23-25页 |
| ·机器学习：监督分类 | 第23-24页 |
| ·数字图像处理：图像扭曲 | 第24页 |
| ·并行计算：并行计算机体系结构 | 第24-25页 |
| §1.3 研究现状 | 第25-27页 |
| ·高精度监督分类技术研究现状 | 第25页 |
| ·快速图像分类技术现状 | 第25-26页 |
| ·提高分类器可理解性的研究现状 | 第26页 |
| ·研究现状总结 | 第26-27页 |
| §1.4 课题研究内容 | 第27-29页 |
| ·遥感图像高精度监督分类技术研究 | 第27-28页 |
| ·遥感图像并行监督分类技术研究 | 第28页 |
| ·系统设计与实现 | 第28-29页 |
| §1.5 本文主要贡献与创新 | 第29-30页 |
| §1.6 论文结构 | 第30-32页 |
| 第一部分 遥感图像高精度监督分类技术研究 | 第32-94页 |
| 第二章 搜索编码算法及其在监督分类中的应用 | 第33-56页 |
| §2.1 纠错输出编码 | 第33-38页 |
| ·纠错输出编码的思想 | 第33-35页 |
| ·纠错输出码的特性分析 | 第35-36页 |
| ·已有编码方法分析 | 第36-38页 |
| ·有待解决的问题 | 第38页 |
| §2.2 搜索编码算法SCM | 第38-43页 |
| ·搜索编码算法描述 | 第38-40页 |
| ·搜索输出码的性质 | 第40-43页 |
| §2.3 基于搜索编码的监督分类技术 | 第43-48页 |
| ·纠错输出编码与分类器组合 | 第44-45页 |
| ·基于搜索编码的监督分类技术 | 第45-47页 |
| ·预测精度分析 | 第47-48页 |
| §2.4 应用示例 | 第48-55页 |
| ·学习算法选择与实验设定 | 第48-49页 |
| ·搜索编码法在简单贝叶斯分类中的应用 | 第49-52页 |
| ·搜索编码法在BP神经网络中的应用 | 第52-55页 |
| ·实验结论 | 第55页 |
| §2.5 小结 | 第55-56页 |
| 第三章 基于搜索编码的结构化神经网络 | 第56-73页 |
| §3.1 三种结构化神经网络 | 第56-59页 |
| ·结构化神经网络SNN | 第56-57页 |
| ·组合式结构化神经网络k-SNN | 第57-58页 |
| ·基于搜索编码的结构化神经网络CSNN | 第58-59页 |
| §3.2 学习算法 | 第59-61页 |
| ·动量项学习算法 | 第59-60页 |
| ·RPROP学习算法 | 第60-61页 |
| §3.3 网络行为解释 | 第61-66页 |
| ·子网结构转化 | 第61-64页 |
| ·子网行为规则化 | 第64-65页 |
| ·决策行为规则化 | 第65页 |
| ·几种类别的共性分析 | 第65-66页 |
| §3.4 实验结果与分析 | 第66-71页 |
| ·两种学习算法的收敛性比较 | 第66-67页 |
| ·三种结构化神经网络的预测精度比较 | 第67-68页 |
| ·三种结构化神经网络的学习速度比较 | 第68-70页 |
| ·三种结构化神经网络的可理解性比较 | 第70-71页 |
| §3.5 小结 | 第71-73页 |
| 第四章 动态离散化方法RCAT与二分决策树系统 | 第73-94页 |
| §4.1 连续属性离散化研究现状 | 第73-77页 |
| ·离散化方法分类 | 第73-74页 |
| ·典型离散化处理过程 | 第74-75页 |
| ·常用离散化方法介绍 | 第75-77页 |
| §4.2 基于属性变换的动态离散化方法RCAT | 第77-84页 |
| ·RCAT算法思想 | 第78-79页 |
| ·属性变换 | 第79-80页 |
| ·区间离散化 | 第80-81页 |
| ·区间边缘优化 | 第81-84页 |
| §4.3 二分决策树系统Btrees | 第84-88页 |
| ·二分树林结构 | 第85-86页 |
| ·多类问题扩展 | 第86页 |
| ·决策树剪枝 | 第86-88页 |
| §4.4 实验结果与分析 | 第88-93页 |
| ·实验设定 | 第88页 |
| ·RCAT算法的参数设定 | 第88-90页 |
| ·区间边缘优化的作用 | 第90-91页 |
| ·离散化方法的性能比较 | 第91-92页 |
| ·多类问题扩展的结果分析 | 第92-93页 |
| §4.5 小结 | 第93-94页 |
| 第二部分 遥感图像并行监督分类技术研究 | 第94-138页 |
| 第五章 分布并行几何校正技术研究 | 第95-129页 |
| §5.1 向后映射图像扭曲算法及其分析 | 第95-99页 |
| ·向后映射算法介绍 | 第95-96页 |
| ·复杂性分析 | 第96-97页 |
| ·并行图像扭曲技术现状 | 第97-99页 |
| §5.2 基于局部输出区域计算的并行图像扭曲算法PIWA-LOC | 第99-107页 |
| ·Cluster环境描述 | 第99页 |
| ·PIWA-LOC算法思想 | 第99-101页 |
| ·输入图像数据划分 | 第101页 |
| ·输出图像块存储结构 | 第101-102页 |
| ·局部输出区域计算 | 第102-105页 |
| ·局部重采样计算 | 第105-106页 |
| ·应用示例 | 第106-107页 |
| §5.3 基于局部输入区域计算的并行图像扭曲算法PIWA-LIC | 第107-116页 |
| ·PIWA-LOC算法的局限性分析 | 第107-108页 |
| ·PIWA-LIC算法思想 | 第108-110页 |
| ·负载划分 | 第110-111页 |
| ·局部输入区域计算 | 第111-114页 |
| ·局部重采样计算 | 第114-115页 |
| ·应用示例 | 第115-116页 |
| §5.4 遥感图像并行几何校正性能分析模型 | 第116-121页 |
| ·单任务并行处理性能分析 | 第116-120页 |
| ·多任务流水并行处理性能分析 | 第120-121页 |
| §5.5 实验结果与分析 | 第121-128页 |
| ·遥感图像几何校正实验设定 | 第121-122页 |
| ·PIWA-LOC几何校正实验结果与分析 | 第122-124页 |
| ·PIWA-LIC几何校正实验结果与分析 | 第124-126页 |
| ·特殊几何变换的实验结果 | 第126页 |
| ·与已有算法的比较 | 第126-127页 |
| ·实验结论 | 第127-128页 |
| §5.6 小结 | 第128-129页 |
| 第六章 分布并行监督分类算法研究 | 第129-138页 |
| §6.1 最近邻分类法的并行化 | 第129-132页 |
| ·最近邻分类算法Knn的并行化 | 第129-130页 |
| ·并行Knn算法性能分析模型 | 第130-132页 |
| §6.2 几种神经网络算法的并行化 | 第132-134页 |
| ·神经网络算法的并行化 | 第132-133页 |
| ·并行神经网络算法性能分析模型 | 第133-134页 |
| §6.3 实验结果与分析 | 第134-137页 |
| §6.4 小结 | 第137-138页 |
| 第三部分 系统设计与实现 | 第138-153页 |
| 第七章 遥感图像并行处理系统YH-PRIPS | 第139-150页 |
| §7.1 系统结构设计 | 第139-141页 |
| ·YH-PRIPS应用模型 | 第139-140页 |
| ·YH-PRIPS软件运行框架 | 第140-141页 |
| §7.2 系统功能介绍 | 第141-142页 |
| §7.3 YH-PRIPS的部分实验数据 | 第142-149页 |
| ·PIWA-LOC(YH)几何校正测试结果 | 第143-145页 |
| ·PIWA-LIC(YH)几何校正测试结果 | 第145-147页 |
| ·遥感图像监督分类测试结果 | 第147-149页 |
| §7.4 小结 | 第149-150页 |
| 第八章 结束语 | 第150-153页 |
| §8.1 工作总结 | 第150-151页 |
| §8.2 研究展望 | 第151-153页 |
| 附录A 监督学习数据集描述 | 第153-157页 |
| 附录B Btrees系统的输出结果 | 第157-162页 |
| 攻读博士学位期间发表的论文 | 第162-164页 |
| 攻读博士学位期间参与的科研项目 | 第164-165页 |
| 致谢 | 第165-167页 |
| 参考文献 | 第167-176页 |