声明
摘要
插图索引
表格索引
符号对照表
缩略语对照表
1.1 研究背景与意义
1.2 高光谱遥感影像的成像特点及其面临的挑战
1.3 高光谱特征选择的研究现状及难点
1.4 高光谱特征提取的研究现状及难点
1.5 研究内容及章节安排
1.5.1 主要研究内容
1.5.2 章节安排
第二章 基于Memetic计算的高光谱特征选择算法
2.1 引言
2.2 Memetic计算
2.3 基于Memetic计算的特征选择算法
2.3.1 波段选择目标函数
2.3.2 基于Memetic计算的波段选择
2.4 实验结果分析
2.4.1 对比算法与实验设置
2.4.2 数据集描述
2.4.3 分类性能实验结果
2.4.4 局部搜索策略的有效性
2.5 本章小结
第三章 基于模糊聚类与粒子群优化的无监督高光谱特征选择
3.1 引言
3.2 模糊C均值算法
3.3 改进的联合PSO与FCM的无监督波段选择算法
3.4 实验结果分析
3.4.1 实验设置
3.4.2 分类性能比较
3.4.3 PSO-FCM的参数分析
3.4.4 计算时间复杂度分析
3.5 本章小结
第四章 基于进化多目标优化的高光谱特征选择算法
4.1 引言
4.2 多目标进化算法
4.3 基于进化多目标优化的特征选择算法
4.3.1 针对波段选择问题的多目标模型
4.3.2 切比雪夫分解策略
4.3.3 局部搜索的约束
4.3.4 基于分解的多目标优化的波段选择
4.4 实验结果分析
4.4.1 Indian Pines数据集的实验结果
4.4.2 Pavia University数据集的实验结果
4.4.3 Salinas数据集的实验结果
4.4.4 运行时间分析
4.4.5 MOBS的敏感性分析
4.4.6 实验讨论
4.5 本章小结
第五章 基于多目标人工免疫算法的波段选择:探索信息量与冗余度的关系
5.1 引言
5.2 基于多目标人工免疫算法的波段选择
5.2.1 探索信息量与冗余度关系的多目标优化模型
5.2.2 多目标人工免疫算法
5.2.3 BOMBS的执行过程
5.3 实验结果分析
5.3.1 AVIRIS传感器数据Indian Pines下的实验
5.3.2 ROSIS传感器数据Pavia University下的实验
5.3.3 AVIRIS传感器数据Salinas下的实验
5.3.4 多目标优化算法的分析
5.3.5 计算复杂度分析
5.3.6 BOMBS中的分析
5.3.7 讨论
5.4 本章小结
第六章 基于WGAN与CNN的无监督高光谱特征提取
6.1 引言
6.2 基于Wasserstein距离的对抗生成模型
6.3 基于WGAN与CNN的无监督特征提取
6.3.1 卷积神经网络CNN
6.3.2 基于WGAN与CNN的算法框架与目标函数设置
6.3.3 判别器的结构
6.3.4 生成器的结构
6.3.5 特征提取器的结构
6.3.6 基于对抗生成模型的无监督训练
6.4 实验结果分析
6.4.1 Indian Pines上的分类效果比较实验
6.4.2 Pavia Univeristy数据集上的分类效果比较实验
6.4.3 Salinas数据集上的分类效果比较实验
6.4.4 提出的方法中的一些细节讨论
6.4.5 实验讨论
6.5 本章小结
第七章 总结与展望
7.1 研究内容总结
7.2 未来研究展望
参考文献
致谢
作者简介