第1章 概述 1
1.1 监督学习方法 2
1.1.1 监督学习概述 2
1.1.2 监督学习方法简介 3
1.2 半监督学习方法 9
1.2.1 半监督学习概述 9
1.2.2 半监督学习方法简介 11
1.3 基于神经网络的遥感图像分类 17
1.3.1 遥感图像分类技术概述 17
1.3.2 基于神经网络的遥感图像分类概述 19
1.4 本书结构安排 29
1.5 小结 30
参考文献 31
第2章 常用神经网络基础知识 40
2.1 神经网络 40
2.1.1 神经网络概念和基本结构 40
2.1.2 神经网络的发展 41
2.1.3 神经网络的基本模型和特点 42
2.2 径向基函数神经网络 43
2.2.1 径向基函数神经网络概述 44
2.2.2 模式可分性的Cover定理 45
2.2.3 径向基函数神经网络数学描述 46
2.3 支持向量机 48
2.3.1 支持向量机理论基础 48
2.3.2 常用支持向量机学习方法 54
2.4 极限学习机 58
2.4.1 极限学习机的运行机制 58
2.4.2 极限学习机算法存在的问题 60
2.5 ARTMAP神经网络 62
2.5.1 ARTMAP神经网络 62
2.5.2 模糊ARTMAP神经网络 64
2.5.3 贝叶斯ARTMAP神经网络 68
2.6 小结 71
参考文献 71
第3章 基于径向基函数神经网络的集成监督学习方法 75
3.1 集成监督学习方法 75
3.1.1 集成监督学习方法 75
3.1.2 常用的集成监督学习方法 77
3.2 基于径向基函数神经网络的随机森林监督学习方法 79
3.2.1 随机森林集成监督学习方法 80
3.2.2 基于径向基函数神经网络的随机森林监督学习方法 81
3.2.3 仿真实例 83
3.3 基于径向基函数神经网络的轮转森林监督学习方法 88
3.3.1 轮转森林集成监督学习方法 88
3.3.2 基于径向基函数神经网络的轮转森林监督学习方法 90
3.3.3 仿真实例 91
3.4 基于径向基函数神经网络的反向标定训练数据监督学习方法 94
3.4.1 反向标定合成训练数据集成监督学习方法 95
3.4.2 基于径向基函数神经网络的反向标定训练监督学习方法 95
3.4.3 仿真实例 98
3.5 基于径向基函数神经网络的混合集成监督学习方法 102
3.5.1 混合集成监督学习方法 102
3.5.2 基于径向基函数神经网络的混合集成监督学习方法 102
3.5.3 仿真实例 105
3.6 小结 108
参考文献 108
第4章 基于支持向量机的监督学习方法 112
4.1 改进支持向量机监督学习方法 112
4.1.1 C支持向量机（C-SVM）及其改进算法 113
4.1.2 v支持向量机（v-SVM）及其改进算法 116
4.1.3 其他支持向量机监督学习方法 118
4.1.4 支持向量机监督学习方法分析与比较 122
4.2 求解支持向量机的优化方法 124
4.2.1 常用的支持向量机求解算法 125
4.2.2 求解支持向量机的四重序列解析优化算法 129
4.2.3 求解支持向量机的分块序列最小化优化方法 133
4.3 基于近邻协同的支持向量机高光谱遥感图像分类 136
4.3.1 基于近邻协同的支持向量机分类方法 136
4.3.2 NC-SVM高光谱遥感图像仿真试验 139
4.4 小结 143
参考文献 143
第5章 基于极限学习机的监督学习方法 146
5.1 基于极限学习机的监督学习改进方法 146
5.1.1 分段训练极限学习机 146
5.1.2 迭代-解析极限学习机 149
5.1.3 集成极限学习机 151
5.1.4 正余弦极限学习机 152
5.2 极限学习机及其改进方法的仿真实例 156
5.2.1 极限学习机的仿真试验 156
5.2.2 分段训练极限学习机的仿真试验 159
5.2.3 集成极限学习机和迭代-解析极限学习机的仿真试验 160
5.2.4 正余弦极限学习机的仿真试验 162
5.3 基于局部Lanczos双对角化的极限学习机算法 163
5.3.1 局部Lanczos双对角化方法 163
5.3.2 基于局部Lanczos双对角化的最小二乘近似解 164
5.3.3 基于局部Lanczos双对角化的极限学习机学习算法 166
5.3.4 基于局部Lanczos双对角化的极限学习机算法的分析 166
5.4 基于局部Lanczos双对角化极限学习机算法的应用实例 170
5.4.1 遥感图像分类的应用实例 171
5.4.2 遥感图像的特征参数提取 173
5.4.3 基于特征融合的分类方法 175
5.4.4 基于分类结果的土地利用变化分析 182
5.5 小结 183
参考文献 183
第6章 基于ARTMAP神经网络的半监督学习方法 186
6.1 基于贝叶斯ARTMAP神经网络的半监督学习方法与应用 186
6.1.1 基于贝叶斯ARTMAP神经网络的半监督学习方法 186
6.1.2 基于贝叶斯ARTMAP神经网络的半监督学习方法的收敛性 191
6.1.3 仿真实例 192
6.2 基于ARTMAP神经网络的案例推理广义半监督学习方法与应用 198
6.2.1 基本结构及实现流程 198
6.2.2 学习方法及操作步骤 202
6.2.3 仿真实例 209
6.3 小结 213
参考文献 213
第7章 基于支持向量机的半监督学习方法与应用 216
7.1 基于直推式支持向量机的半监督学习方法 216
7.1.1 直推式半监督学习方法 216
7.1.2 直推式支持向量机 217
7.1.3 仿真实例 219
7.2 基于渐进直推式支持向量机的半监督学习方法与应用 222
7.2.1 基于渐进直推式支持向量机的半监督学习方法 222
7.2.2 仿真实例 227
7.3 基于改进渐进直推式支持向量机的半监督学习方法与应用 231
7.3.1 基于改进渐进直推式支持向量机的半监督学习方法 232
7.3.2 基于置信度的渐进直推式支持向量机半监督学习方法 235
7.3.3 仿真实例 239
7.4 半监督最小二乘支持向量机方法与应用 244
7.4.1 基于最小二乘支持向量机的半监督学习方法 244
7.4.2 仿真实例 250
7.5 小结 253
参考文献 254
第8章 基于极限学习机的半监督学习方法与应用 257
8.1 基于极限学习机的半监督学习方法 257
8.1.1 基于极限学习机的半监督学习方法理论基础 257
8.1.2 基于极限学习机的半监督学习方法实现过程 260
8.1.3 仿真实例 262
8.2 基于协同训练的极限学习机半监督学习方法 265
8.2.1 在线序列极限学习机 265
8.2.2 协同训练方法 269
8.2.3 基于协同训练的极限学习机半监督学习方法 270
8.2.4 仿真实例 271
8.3 基于三重可逆训练的极限学习机增量式半监督学习方法 272
8.3.1 可逆极限学习机 272
8.3.2 三重训练方法 276
8.3.3 三重可逆极限学习机半监督学习算法 278
8.3.4 仿真实例 280
8.4 小结 290
参考文献 290