| 致谢 | 第4-7页 |
| 摘要 | 第7-8页 |
| 1.文献综述 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 成像光谱技术的发展现状 | 第9-11页 |
| 1.2.1 成像光谱仪的发展 | 第9-10页 |
| 1.2.2 成像光谱技术的在农业监测方面的应用现状 | 第10-11页 |
| 1.2.3 成像光谱数据处理的目标及主要处理方法 | 第11页 |
| 1.3 支持向量机的研究现状及特点 | 第11-13页 |
| 1.3.1 支持向量机的研究现状 | 第11-12页 |
| 1.3.2 支持向量机的多分类方法研究 | 第12-13页 |
| 1.3.3 支持向量机核函数的构造及选择研究 | 第13页 |
| 1.4 论文的研究内容 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 2 引言 | 第15-17页 |
| 2.1 研究背景 | 第15页 |
| 2.2 研究目的 | 第15页 |
| 2.3 研究意义 | 第15-17页 |
| 3 材料与方法 | 第17-24页 |
| 3.1 实验设计 | 第17页 |
| 3.2 冠层光谱测定 | 第17-18页 |
| 3.2.1 光谱仪介绍 | 第17-18页 |
| 3.2.2 光谱测定 | 第18页 |
| 3.3 统计学习理论 | 第18-20页 |
| 3.3.1 经验风险和VC维 | 第18-19页 |
| 3.3.2 学习过程一致性 | 第19页 |
| 3.3.3 结构风险最小化原理 | 第19-20页 |
| 3.4 支持向量机分类器 | 第20-23页 |
| 3.4.1 最优超平面 | 第20-22页 |
| 3.4.2 非线性情况及核函数 | 第22-23页 |
| 3.5 支持向量机的组合算法 | 第23-24页 |
| 4 支持向量机的组合分类方法与核函数构造 | 第24-36页 |
| 4.1 组合分类方法 | 第24-27页 |
| 4.1.1 基于核函数的主成分分析法 | 第24-26页 |
| 4.1.2 灰色理论与灰色聚类 | 第26-27页 |
| 4.2 支持向量多分类集的构造 | 第27-28页 |
| 4.2.1 支持向量多分类机的分类方法及特点 | 第27-28页 |
| 4.2.2 决策树支持向量机多类分类方法 | 第28页 |
| 4.3 灰色补偿多类支持向量机的构造 | 第28-32页 |
| 4.3.1 模糊性和模糊支持向量机 | 第28-29页 |
| 4.3.2 一种基于Grey-Sigmoid核的支持向量机研究 | 第29-32页 |
| 4.4 实验验证 | 第32-36页 |
| 4.4.1 UCI数据集实验 | 第32-33页 |
| 4.4.2 小麦全蚀病的高光谱图像分类结果 | 第33-34页 |
| 4.4.3 结论 | 第34-36页 |
| 5. 基于近地成像光谱的小麦全蚀病等级及监测 | 第36-44页 |
| 5.1 小麦全蚀病光谱特征 | 第36页 |
| 5.2 数据分析方法 | 第36-37页 |
| 5.2.1 基于核函数的主成分分析法 | 第36-37页 |
| 5.2.2 光谱可分性检验 | 第37页 |
| 5.3 不同白穗率小麦样本的灰聚类分析 | 第37页 |
| 5.4 支持向量机分类 | 第37-38页 |
| 5.5 结果与分析 | 第38-40页 |
| 5.5.1 田间光谱数据特点 | 第38页 |
| 5.5.2 特征波段的主成分提取及可分性检验 | 第38-40页 |
| 5.5.3 小麦白穗率可分性的灰色聚类分析 | 第40页 |
| 5.6 支持向量机分类结果 | 第40-42页 |
| 5.7 精度评价 | 第42-44页 |
| 6 结论与展望 | 第44-45页 |
| 参考文献 | 第45-51页 |
| Abstract | 第51页 |
| 硕士发表论文 | 第52页 |