《智能化的遥感影像亚像元定位技术》将主要选取人工神经网络来作为遥感影像混合像元分解以及亚像元定位技术处理与分析的手段，弥补传统方法在处理此类问题上存在的不足；同时，在神经网络模型的基础上进行适当扩展，以改善模型的结果精度及实施程度，提高遥感影像的利用能力。《智能化的遥感影像亚像元定位技术》是作者近年来对遥感影像混合分解及亚像元定位技术方面研究成果的一个阶段性总结，同时也是作者对该处理技术的一个初步诠释。

**章 绪论
1．1 目的与意义
1．2 研究现状概述
1．2．1 智能化的遥感影像处理手段
1．2．2 混合像元分解
1．2．3 亚像元定位
1．3 面临的问题及挑战

第二章 神经网络基本原理
2．1 神经系统原理
2．1．1 生物神经元
2．1．2 计算特性
2．2 人工神经网络结构
2．2．1 基本模型结构
2．2．2 拓扑结构
2．3 遥感信息处理中的应用方法
2．3．1 神经网络学习方式
2．3．2 神经网络学习规则
2．4 三种典型的神经网络模型
2．4．1 BP神经网络模型
2．4．2 Fuzzy ARTMAP神经网络模型
2．4．3 Hopfield神经网络模型

第三章 混合像元分解模型
3．1 硬分类和混合像元
3．2 线性混合光谱模型
3．2．1 数学模型分析
3．2．2 线性模型的适用性
3．3 非线性混合光谱模型
3．4 BP神经网络的混合分解模型
3．4．1 BP神经网络分类实验
3．4．2 BP神经网络混合分解实验
3．5 Fuzzy ARTMAP神经网络的混合分解模型
3．5．1 数据源
3．5．2 步骤及结果分析
3．5．3 参数设置

第四章 端元选择的影响
4．1 混合像元分解的误差分析
4．2 端元变化对混合像元分解的影响
4．3 端元光谱选择的方法
4．4 基于交叉光谱匹配的端元选择法
4．5 基于端元选择的混合像元分解实验
4．5．1 端元可变的线性混合分解实验
4．5．2 端元可变的神经网络混合分解实验

第五章 亚像元定位模型
5．1 亚像元定位的理论基础
5．2 基于监督型神经网络的亚像元定位模型
5．2．1 模拟数据实验
5．2．2 真实数据实验
5．2．3 算法分析
5．3 基于非监督型神经网络的亚像元定位方法
5．3．1 字体实验及结果分析
5．3．2 真实数据实验
5．4 线性优化理论
5．5 基于进化Agent理论的亚像元定位方法
5．5．1 进化Agent技术介绍
5．5．2 进化Agent模型实验分析

第六章 综合亚像元定位模型及应用
6．1 基于端元选择的综合亚像元定位模型
6．2 基于超分辨率重建的神经网络亚像元定位模型
6．2．1 重建模型
6．2．2 改进的BPMAP亚像元定位方法
6．2．3 实验及比较分析
6．3 基于融合技术的神经网络亚像元定位模型
6．3．1 Gram-Schmidt光谱融合
6．3．2 选取非固定的本地纯净端元
6．3．3 改变神经网络的输入端
6．3．4 实验与结果分析
6．4 基于亚像元定位的变化检测应用
6．4．1 亚像元变化的空间分布假设
6．4．2 算法描述
6．4．3 实验分析
参考文献