基于神经网络与遗传算法土壤成分含量研究
| 第一章 绪论 | 第1-15页 |
| ·近红外光谱分析技术的发展 | 第7-9页 |
| ·近红外光谱技术的分析方法 | 第9-10页 |
| ·定性分析方法 | 第9页 |
| ·定量分析方法[9] | 第9-10页 |
| ·课题的研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本文的研究内容及章节安排 | 第13-15页 |
| ·研究内容 | 第13-14页 |
| ·章节安排 | 第14-15页 |
| 第二章 近红外光谱分析技术在土壤成分含量中的应用 | 第15-26页 |
| ·近红外光谱分析简述 | 第15-16页 |
| ·近红外光谱分析原理[1] | 第16-17页 |
| ·近红外光谱数据预处理技术 | 第17-18页 |
| ·近红外光谱数据模型建立的策略及技术 | 第18-21页 |
| ·复杂物近红外光谱分析信息提取的策略 | 第18-19页 |
| ·复杂物近红外光谱分析建立模型的核心技术 | 第19-21页 |
| ·近红外光谱分析土壤成分含量 | 第21-25页 |
| ·样品状况 | 第21-22页 |
| ·数学模型及结果 | 第22-25页 |
| ·小结 | 第25-26页 |
| 第三章 人工神经网络及BP 算法 | 第26-41页 |
| ·简述[24,25] | 第26页 |
| ·人工神经网络描述[27] | 第26-28页 |
| ·人工神经网络常见的学习算法 | 第28-30页 |
| ·BP 算法 | 第30-36页 |
| ·BP 神经网络概述[26] [28] | 第30-31页 |
| ·误差反传算法的数学描述[29] | 第31-34页 |
| ·BP 神经网络结构设计 | 第34-36页 |
| ·BP 算法的改进 | 第36-41页 |
| ·BP 算法的局限 | 第36-37页 |
| ·梯度下降动量及学习速率自适应算法(BPX) | 第37-39页 |
| ·数值优化方法 | 第39-41页 |
| 第四章 遗传算法 | 第41-48页 |
| ·引言 | 第41页 |
| ·遗传算法基本原理 | 第41-42页 |
| ·遗传算法基本流程 | 第42-43页 |
| ·遗传算法基本操作 | 第43-47页 |
| ·遗传编码 | 第43-44页 |
| ·适应度函数 | 第44-45页 |
| ·选择 | 第45-46页 |
| ·交叉 | 第46页 |
| ·变异 | 第46-47页 |
| ·遗传算法参数选择 | 第47-48页 |
| 第五章 遗传算法与BP 网络相结合的算法 | 第48-52页 |
| ·引言 | 第48页 |
| ·采用GA 优化BP 网络权值的原理 | 第48-50页 |
| ·算法的实现 | 第50-52页 |
| 第六章 土壤成分网络模型的实现 | 第52-64页 |
| ·基于BP 网络模型的建立 | 第52-55页 |
| ·BP 网络的设计 | 第52-55页 |
| ·改进的BP 网络的设计 | 第55页 |
| ·基于遗传算法与BP 网络结合算法网络模型的建立 | 第55-57页 |
| ·遗传算法中参数的选取 | 第55-56页 |
| ·遗传算子的选取 | 第56-57页 |
| ·网络模型结果及分析 | 第57-64页 |
| ·BP 网络模型结果 | 第57-62页 |
| ·遗传算法与BP 网络结合算法分析结果 | 第62-63页 |
| ·结果分析 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 摘要 | 第69-72页 |
| ABSTRACT | 第72-75页 |
| 致谢 | 第75-76页 |
| 导师及作者简介 | 第76页 |
