韓敏編著的《基於神經網絡的監督和半監督學習
方法與遙感圖像智能解譯》從機器學習的理論與應用
出發，重點對基於人工神經網絡的學習方法進行了闡
述，並對監督和半監督兩種學習形式分別進行了深入
的探討。在理論研究的基礎之上，針對遙感圖像解譯
的實際問題，給出了多個仿真實例，進而說明本書理
論在實際應用中的有效性。
本書可供從事神經網絡、機器學習等方面的高校
師生和科研工作者參考，同時也可以為從事遙感圖像
處理與應用、智能信息處理等領域的工程技術人員提
供幫助。

前言
第1章 概述
1.1 監督學習方法
1.1.1 監督學習概述
1.1.2 監督學習方法簡介
1.2 半監督學習方法
1.2.1 半監督學習概述
1.2.2 半監督學習方法簡介
1.3 基於神經網絡的遙感圖像分類
1.3.1 遙感圖像分類技術概述
1.3.2 基於神經網絡的遙感圖像分類概述
1.4 本書結構安排
1.5 小結
參考文獻
第2章 常用神經網絡基礎知識
2.1 神經網絡
2.1.1 神經網絡概念和基本結構
2.1.2 神經網絡的發展
2.1.3 神經網絡的基本模型和特點
2.2 徑向基函數神經網絡
2.2.1 徑向基函數神經網絡概述
2.2.2 模式可分性的Cover定理
2.2.3 徑向基函數神經網絡數學描述
2.3 支持向量機
2.3.1 支持向量機理論基礎
2.3.2 常用支持向量機學習方法
2.4 極限學習機
2.4.1 極限學習機的運行機制
2.4.2 極限學習機算法存在的問題
2.5 ARTMAP神經網絡
2.5.1 ARTMAP神經網絡
2.5.2 模糊ARTMAP神經網絡
2.5.3 貝葉斯ARTMAP神經網絡
2.6 小結
參考文獻
第3章 基於徑向基函數神經網絡的集成監督學習方法
3.1 集成監督學習方法
3.1.1 集成監督學習方法
3.1.2 常用的集成監督學習方法
3.2 基於徑向基函數神經網絡的隨機森林監督學習方法
3.2.1 隨機森林集成監督學習方法
3.2.2 基於徑向基函數神經網絡的隨機森林監督學習方法
3.2.3 仿真實例
3.3 基於徑向基函數神經網絡的輪轉森林監督學習方法
3.3.1 輪轉森林集成監督學習方法
3.3.2 基於徑向基函數神經網絡的輪轉森林監督學習方法
3.3.3 仿真實例
3.4 基於徑向基函數神經網絡的反向標定訓練數據監督學習方法
3.4.1 反向標定合成訓練數據集成監督學習方法
3.4.2 基於徑向基函數神經網絡的反向標定訓練監督學習方法
3.4.3 仿真實例
3.5 基於徑向基函數神經網絡的混合集成監督學習方法
3.5.1 混合集成監督學習方法
3.5.2 基於徑向基函數神經網絡的混合集成監督學習方法
3.5.3 仿真實例
3.6 小結
參考文獻
第4章 基於支持向量機的監督學習方法
4.1 改進支持向量機監督學習方法
4.1.1 C支持向量機(C-SVM)及其改進算法
4.1.2 v支持向量機(v-SVM)及其改進算法
4.1.3 其他支持向量機監督學習方法
4.1.4 支持向量機監督學習方法分析與比較
4.2 求解支持向量機的優化方法
4.2.1 常用的支持向量機求解算法
4.2.2 求解支持向量機的四重序列解析優化算法
4.2.3 求解支持向量機的分塊序列*小化優化方法
4.3 基於近鄰協同的支持向量機高光譜遙感圖像分類
4.3.1 基於近鄰協同的支持向量機分類方法
4.3.2 NC-SVM高光譜遙感圖像仿真試驗
4.4 小結
參考文獻
第5章 基於極限學習機的監督學習方法
5.1 基於極限學習機的監督學習改進方法
5.1.1 分段訓練極限學習機
5.1.2 迭代-解析極限學習機
5.1.3 集成極限學習機
5.1.4 正餘弦極限學習機
5.2 極限學習機及其改進方法的仿真實例
5.2.1 極限學習機的仿真試驗
5.2.2 分段訓練極限學習機的仿真試驗
5.2.3 集成極限學習機和迭代-解析極限學習機的仿真試驗
5.2.4 正餘弦極限學習機的仿真試驗
5.3 基於局部Lanczos雙對角化的極限學習機算法
5.3.1 局部Lanczos雙對角化方法
5.3.2 基於局部Lanczos雙對角化的*小二乘近似解
5.3.3 基於局部Lanczos雙對角化的極限學習機學習算法
5.3.4 基於局部Lanczos雙對角化的極限學習機算法的分析
5.4 基於局部Lanczos雙對角化極限學習機算法的應用實例
5.4.1 遙感圖像分類的應用實例
5.4.2 遙感圖像的特征參數提取
5.4.3 基於特征融合的分類方法
5.4.4 基於分類結果的土地利用變化分析
5.5 小結
參考文獻
第6章 基於ARTMAP神經網絡的半監督學習方法
6.1 基於貝葉斯ARTMAP神經網絡的半監督學習方法與應用
6.1.1 基於貝葉斯ARTMAP神經網絡的半監督學習方法
6.1.2 基於貝葉斯ARTMAP神經網絡的半監督學習方法的收斂性
6.1.3 仿真實例
6.2 基於ARTMAP神經網絡的案例推理廣義半監督學習方法與應用
6.2.1 基本結構及實現流程
6.2.2 學習方法及操作步驟
6.2.3 仿真實例
6.3 小結
參考文獻
第7章 基於支持向量機的半監督學習方法與應用
7.1 基於直推式支持向量機的半監督學習方法
7.1.1 直推式半監督學習方法
7.1.2 直推式支持向量機
7.1.3 仿真實例
7.2 基於漸進直推式支持向量機的半監督學習方法與應用
7.2.1 基於漸進直推式支持向量機的半監督學習方法
7.2.2 仿真實例
7.3 基於改進漸進直推式支持向量機的半監督學習方法與應用
7.3.1 基於改進漸進直推式支持向量機的半監督學習方法
7.3.2 基於置信度的漸進直推式支持向量機半監督學習方法
7.3.3 仿真實例
7.4 半監督*小二乘支持向量機方法與應用
7.4.1 基於*小二乘支持向量機的半監督學習方法
7.4.2 仿真實例
7.5 小結
參考文獻
第8章 基於極限學習機的半監督學習方法與應用
8.1 基於極限學習機的半監督學習方法
8.1.1 基於極限學習機的半監督學習方法理論基礎
8.1.2 基於極限學習機的半監督學習方法實現過程
8.1.3 仿真實例
8.2 基於協同訓練的極限學習機半監督學習方法
8.2.1 在線序列極限學習機
8.2.2 協同訓練方法
8.2.3 基於協同訓練的極限學習機半監督學習方法
8.2.4 仿真實例
8.3 基於三重可逆訓練的極限學習機增量式半監督學習方法
8.3.1 可逆極限學習機
8.3.2 三重訓練方法
8.3.3 三重可逆極限學習機半監督學習算法
8.3.4 仿真實例
8.4 小結
參考文獻