第1章 绪论 1
1.1基本概念 2
1.1.1土地覆盖 2
1.1.2遥感技术 3
1.1.3机器学习 4
1.2研究意义 5
1.2.1丰富土地覆盖遥感分类的理论与方法 6
1.2.2为土地利用/覆盖的动态监测、保护和管理提供技术支持 6
1.2.3一种新的自适应半监督支持向量机遥感分类模型的提出 7
1.2.4半监督学习思想和集成学习思想的融合 7
1.3本书研究方法及结构安排 7
1.3.1研究方法 7
1.3.2结构安排 10
参考文献 12
第2章 关键技术国内外研究现状 19
2.1遥感影像信息提取方法 20
2.2 SVM遥感分类研究进展 24
2.2.1 SVM在遥感分类中的优点 24
2.2.2 SVM在遥感影像分类中的不足 26
2.2.3 SVM在遥感影像分类中的应用领域 27
2.3半监督学习理论及研究进展 29
2.4半监督分类中的聚类算法 32
2.5集成学习理论及研究进展 32
参考文献 36
第3章 遥感图像数字化 49
3.1研究区位置及遥感影像集 50
3.1.1研究区位置 50
3.1.2研究区影像集 52
3.1.3分类体系的建立 52
3.2遥感影像数字集 53
3.2.1样本采集 53
3.2.2特征选取 56
3.3本章小结 62
参考文献 63
第4章 SVM参数优化方法研究 67
4.1 SVM理论及参数优化算法研究进展 68
4.1.1 SVM的核心思想 68
4.1.2 SVM理论 68
4.1.3 SVM参数优化方法研究进展 72
4.2基于自适应变异粒子群参数优化的土地覆盖分类模型 75
4.2.1传统粒子群算法（PSO） 75
4.2.2自适应变异粒子群优化算法（AMPSO） 76
4.2.3土地覆盖分类模型构建 79
4.3实验结果与分析 82
4.3.1实验影像选取 82
4.3.2特征选取及样本集表示 83
4.3.3核函数的选取 83
4.3.4实验参数及精度评价指标 84
4.3.5实验结果与比较 85
4.4本章小结 90
参考文献 91
第5章 基于模糊聚类的半监督支持向量机土地覆盖分类方法研究 95
5.1概述 96
5.2自训练半监督学习 96
5.2.1无标签样本的重要性 96
5.2.2自训练半监督算法 97
5.3模糊聚类理论 99
5.3.1聚类的概念 99
5.3.2常用聚类算法 100
5.3.3聚类有效性验证 105
5.4一种新的自训练半监督支持向量机分类模型构建 106
5.4.1未标记样本的选择依据 107
5.4.2基于GKclust的自训练半监督支持向量机设计流程 107
5.4.3基于GKclust的自训练半监督支持向量机算法 109
5.5实验结果与分析 109
5.5.1遥感影像数字化 110
5.5.2参数设置 111
5.5.3模糊聚类算法的比较 112
5.5.4无标签样本的参与比例 115
5.5.5土地覆盖遥感图像分类 121
5.6本章小结 123
参考文献 124
第6章 基于半监督集成支持向量机的土地覆盖分类研究 129
6.1概述 130
6.2集成学习框架 130
6.2.1个体生成方法 131
6.2.2结论生成方法 133
6.3半监督集成支持向量机的土地覆盖分类模型构建 134
6.3.1个体生成算法 135
6.3.2结论生成算法 136
6.4实验结果与分析 136
6.4.1实验数据 137
6.4.2结果与精度分析 137
6.5本章小结 140
参考文献 141
第7章 总结与展望 145
7.1研究结论 146
7.2本书不足之处 148
7.3研究展望 148