遙感圖像智能處理

第1章　緒論
　1.1　遙感智能處理任務(wù)與意義
　1.2　遙感信息智能處理方法
　　1.2.1　人工神經(jīng)網(wǎng)絡(luò)
　　1.2.2　支持向量機
　　1.2.3　混合智能模型
　　1.2.4　衛(wèi)星圖像上公路信息提取
　　1.2.5　衛(wèi)星圖像的目標自動識別
　　1.2.6　遙感影像融合
　　1.2.7　獨立分量分析
　參考文獻
第2章 神經(jīng)網(wǎng)絡(luò)
　2.1　人工神經(jīng)網(wǎng)絡(luò)概述
　2.2　BP網(wǎng)絡(luò)及其代表性改進模型
　　2.2.1　BP網(wǎng)絡(luò)的基本原理
　　2.2.2　BP網(wǎng)絡(luò)的學習算法及實現(xiàn)
　　2.2.3　BP算法的局限性
　　2.2.4　BP算法的代表性改進模型
　　2.2.5　輸入向量擴展的改進方法
　　2.2.6　應(yīng)用實例及對比分析
　2.3　概率神經(jīng)網(wǎng)絡(luò)模型
　　2.3.1　概率神經(jīng)網(wǎng)絡(luò)簡介
　　2.3.2　概率神經(jīng)網(wǎng)絡(luò)的應(yīng)用實驗
　2.4　混合神經(jīng)網(wǎng)絡(luò)模型
　　2.4.1　SOM算法簡介
　　2.4.2　廣義回歸神經(jīng)網(wǎng)絡(luò)簡介
　　2.4.3　SOM和GRNN結(jié)合的混合網(wǎng)絡(luò)模型
　　2.4.4　實驗與討論
　2.5　本章小結(jié)
　參考文獻
第3章　模糊支持向量機
　3.1　支持向量機理論
　　3.1.1　線性SvM
　　3.1.2　非線性SVM
　　3.1.3　svM分類器參數(shù)選擇
　　3.1.4　sVM分類器從二類到多類的推廣
　3.2　模糊支持向量機
　　3.2.1　增加模糊后處理的模糊支持向量機簡介
　　3.2.2　引入模糊因子的模糊支持向量機訓練算法簡介
　　3.2.3　邊緣效應(yīng)訓練的模糊支持向量機算法
　3.3　應(yīng)用實例
　　3.3.1　SVM在遙感圖像分類中的應(yīng)用
　　3.3.2　增加模糊后處理的模糊支持向量機在遙感圖像分類中的應(yīng)用
　　3.3.3　引入模糊因子的模糊支持向量機在遙感圖像分類巾的應(yīng)用
　3.4　本章小結(jié)
　參考文獻
第4章　遙感圖像分類的混合智能模型
　4.1　知識發(fā)現(xiàn)
　　4.1.1　地物紋理知識
……
第5章　模糊連接與遙感度與遙感圖像公路提取
第6章　目標自動檢測
第7章　圖像融合
第8章　獨立分量分析
附錄A　Levenberg-Marquart Back-Propagation Network的MATLAB代碼
附錄B　及早停止法訓練的Back-Propagation Network的MATLAB代碼
附錄C　輸入擴展的BP網(wǎng)絡(luò)對lris數(shù)據(jù)分類的MATLAB代碼
附錄D　單隱層概率神經(jīng)網(wǎng)絡(luò)的MATLAB代碼
附錄E　SOM結(jié)合GRNN對lris數(shù)據(jù)分類的MATLAB代碼
附錄F　IRIS數(shù)據(jù)分類的支持向量機算法的MATLAB代碼
附錄G　模糊連接度算法分割道路目標的MATLAB程序代碼
附錄H　類圓關(guān)目標自動檢測的MATLAB程序代碼
附錄I 小波變換結(jié)合人類視覺系統(tǒng)進行圖像
附錄J 小波變換結(jié)合人類視覺系統(tǒng)進行圖像
附錄K　ICA算法的MATLAB程序代碼
附錄L　彩色圖版