本站原创摘要4-6
Abstract6-8
目录8-12
图目录12-15
表目录15-16
第一章 绪论16-30
1.1 课题的探讨背景及作用16-17
1.2 国内外探讨近况17-26
1.2.1 光谱特点探讨概况17-22
1.2.1.1 国内探讨近况18-20
1.2.1.2 国外探讨近况20-22
1.2.2 人工神经网络在遥感领域的探讨概况22-26
1.2.2.1 国内探讨概况22-24
1.2.2.2 国外探讨概况24-26
1.3 本论文探讨内容和组织安排26-27
1.3.1 探讨内容26
1.3.2 论文结构安排26-27
1.4 本论文主要革新点27-30
第二章 遥感影像分类常用算法介绍30-48
2.1 遥感影像分类一般历程和分类策略30-34
2.1.1 遥感影像分类的一般历程30-32
2.1.2 非监督分类和监督分类32-34
2.2 非监督分类34-36
2.2.1 ISODATA策略35
2.2.2 SOFM策略35-36
2.3 监督分类36-46
2.3.1 参数分类器(Parametric Classifier)38-40
2.3.2 非参数分类器(Non-Parametric Classifiers)40-46
2.3.2.1 平行管道分类器(Parallelepiped Classifier)40-41
2.3.2.2 最小距离法(The Minimum Distance Classifier)41-42
2.3.2.3 人工神经网络(Artificial Neural Network Classifiers)42-45
2.3.2.4 决策树分类器(Decision Tree Classifier)45-46
2.3.2.5 支持向量机(Support Vector Machine)46
2.4 本章小结46-48
第三章 特点提取和特点选择48-58
3.1 TM影像数据介绍48-51
3.2 光谱特点51-53
3.3 本论文所用到的光谱特点值53-55
3.3.1 归一化植被指数53-54
3.3.2 改善的归一化差别水体指数54
3.3.3 基于指数的建筑用地指数54-55
3.4 本章小结55-58
第四章 人工神经网络58-82
4.1 人工神经元的现实模型——生物神经元59-60
4.2 人工神经网络的基本结构与模型60-64
4.2.1 人工神经元的模型61-62
4.2.2 激活转移函数62-64
4.3 BP神经网络64-72
4.3.1 基于BP算法的多层前馈网络模型64-66
4.3.2 BP网络的学习算法66-69
4.3.3 BP算法的程序实现69-71
4.3.4 标准BP算法的改善71-72
4.4 RBF神经网络72-79
4.4.1 正则化RBF网络原理与学习算法72-76
4.4.2 广义RBF网络原理与学习算法76-79
4.5 本章小结79-82
第五章 神经网络输出响应探讨82-96
5.1 人工构造数据说明83-85
5.2 BP网络和RBF网络的输出响应探讨85-94
5.2.1 可分离度较高样本的输出响应86-90
5.2.2 可分离度较低样本的输出响应90-94
5.3 本章小结94-96
第六章 神经网络分类系统的设计与实现96-118
6.1 神经网络工具箱96-97
6.2 分类系统的设计和实现97-115
6.2.1 系统设计背景介绍97-98
6.2.2 分类系统及子程序介绍98-107
6.2.2.1 特点向量组成(feature_vector.m)101-102
6.2.2.2 训练区域选择(roi_select.m)102-107
6.2.3 二维特点空间中训练样本的绘制(scatter_plot.m)107-108
6.2.4 神经网络分类器的构建,训练和仿真(分类)108-111
6.2.4.1 BP网络构建函数109
6.2.4.2 BP网络训练函数109-110
6.2.4.3 RBF网络构建函数1110
6.2.4.4 RBF网络构建函数2110-111
6.2.5 碎斑合并(mortar_processing.m)111-113
6.2.6 精度评估(acc_assesent.m)113-115
6.3 本章小结115-118
第七章 神经网络分类系统的运用118-130
7.1 实验区域介绍118
7.2 两类网络的分类实验118-127
7.2.1 特点向量构成119-121
7.2.2 BP网络分类实验121-125
7.2.3 RBF网络分类实验125-127
7.4 本章小结127-130
第八章 总结与展望130-132
8.1 本论文总结130-131
8.2 不足及展望131-132
致谢132-133