基於機器學習的遙感影像分類方法研究（簡體書）

第1章 緒論
1.1 基本概念
1.1.1 土地覆蓋
1.1.2 遙感技術
1.1.3 機器學習
1.2 研究意義
1.2.1 豐富土地覆蓋遙感分類的理論與方法
1.2.2 為土地利用/覆蓋的動態監測、保護和管理提供技術支持
1.2.3 一種新的自適應半監督支持向量機遙感分類模型的提出
1.2.4 半監督學習思想和集成學習思想的融合
1.3 本書研究方法及結構安排
1.3.1 研究方法
1.3.2 結構安排
參考文獻

第2章 關鍵技術國內外研究現狀
2.1 遙感影像信息提取方法
2.2 svm遙感分類研究進展
2.2.1 svm在遙感分類中的優點
2.2.2 svm在遙感影像分類中的不足
2.2.3 svm在遙感影像分類中的應用領域
2.3 半監督學習理論及研究進展
2.4 半監督分類中的聚類算法
2.5 集成學習理論及研究進展
參考文獻

第3章 遙感圖像數字化
3.1 研究區位置及遙感影像集
3.1.1 研究區位置
3.1.2 研究區影像集
3.1.3 分類體系的建立
3.2 遙感影像數字集
3.2.1 樣本采集
3.2.2 特征選取
3.3 本章小結
參考文獻

第4章 svm參數優化方法研究
4.1 svm理論及參數優化算法研究進展
4.1.1 svm的核心思想
4.1.2 svm理論
4.1.3 svm參數優化方法研究進展
4.2 基于自適應變異粒子群參數優化的土地覆蓋分類模型
4.2.1 傳統粒子群算法（pso）
4.2.2 自適應變異粒子群優化算法（ampso）
4.2.3 土地覆蓋分類模型構建
4.3 實驗結果與分析
4.3.1 實驗影像選取
4.3.2 特征選取及樣本集表示
4.3.3 核函數的選取
4.3.4 實驗參數及精度評價指標
4.3.5 實驗結果與比較
4.4 本章小結
參考文獻

第5章 基于模糊聚類的半監督支持向量機土地覆蓋分類方法研究
5.1 概述
5.2 自訓練半監督學習
5.2.1 無標簽樣本的重要性
5.2.2 自訓練半監督算法
5.3 模糊聚類理論
5.3.1 聚類的概念
5.3.2 常用聚類算法
5.3.3 聚類有效性驗證
5.4 一種新的自訓練半監督支持向量機分類模型構建
5.4.1 未標記樣本的選擇依據
5.4.2 基于gkclust的自訓練半監督支持向量機設計流程
5.4.3 基于gkclust的自訓練半監督支持向量機算法
5.5 實驗結果與分析
5.5.1 遙感影像數字化
5.5.2 參數設置
5.5.3 模糊聚類算法的比較
5.5.4 無標簽樣本的參與比例
5.5.5 土地覆蓋遙感圖像分類
5.6 本章小結
參考文獻

第6章 基于半監督集成支持向量機的土地覆蓋分類研究
6.1 概述
6.2 集成學習框架
6.2.1 個體生成方法
6.2.2 結論生成方法
6.3 半監督集成支持向量機的土地覆蓋分類模型構建
6.3.1 個體生成算法
6.3.2 結論生成算法
6.4 實驗結果與分析
6.4.1 實驗數據
6.4.2 結果與精度分析
6.5 本章小結
參考文獻

第7章 總結與展望
7.1 研究結論
7.2 本書不足之處
7.3 研究展望