声明
摘要
1绪论
1.1研究背景综述
1.2分类方法的研究概况和发展趋势
1.3研究目的和内容
1.3.1研究目的
1.3.2研究内容
1.4论文组织
2统计学习理论及支持向量机
2.1统计学习理论
2.1.1经验风险最小化
2.1.2学习过程一致性的条件
2.1.3 VC维
2.1.4推广性的界
2.1.5结构风险最小化
2.2支持向量机
2.2.1最优分类超平面
2.2.2核函数与升维
3研究与实验方法
3.1研究区概况
3.2数据源的选择及预处理
3.2.1 MODIS数据的优势
3.2.2数据的选择及预处理
3.3样本点的选择
3.4典型地物光谱亮度特征分析
3.5分类特征的选择和提取
3.5.1分类特征提取方法
3.5.2分类特征的选择
3.5.3最优分类特征的选择
3.6实验总流程
4支持向量机分类实验
4.1支持向量机分类的步骤
4.2不同特征组合分类实验
4.2.1仅用一个时相反射率数据
4.2.2加入指数信息
4.2.3仅用时相信息
4.2.4同时加入指数信息和时相信息
4.3本章实验结论
5 SVM与传统分类方法的性能比较
5.1分类器性能的衡量指标
5.1.1训练精度与估计精度
5.1.2模型复杂度与训练样本数
5.1.3特征维数与训练样本数
5.2传统分类方法介绍
5.2.1最大似然法
5.2.2人工神经网络法
5.3对比实验
5.3.1训练速度和测试速度的对比
5.3.2分类器的分类精度与数据维数的关系
5.3.3分类器的分类精度与训练样本数量的关系
5.4本章实验结论
6结论与展望
6.1结论
6.2不足之处
6.3今后工作展望
附录
致谢
参考文献: