| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 研究背景及目的意义 | 第12-13页 |
| 1.2 国内外研究现状及分析 | 第13-27页 |
| 1.2.1 基于机器学习的农作物虫害预测研究现状 | 第13-16页 |
| 1.2.2 基于机器学习的农作物病害诊断研究现状 | 第16-19页 |
| 1.2.3 基于机器学习的农作物缺素诊断研究现状 | 第19-23页 |
| 1.2.4 基于机器学习的农作物产量预测研究现状 | 第23-27页 |
| 1.3 主要研究内容及创新点 | 第27-31页 |
| 1.4 论文结构安排 | 第31-32页 |
| 第2章 相关知识与关键技术 | 第32-53页 |
| 2.1 智能决策技术 | 第32-50页 |
| 2.1.1 机器学习技术 | 第32-39页 |
| 2.1.2 智能优化技术 | 第39-50页 |
| 2.2 农业信息技术及决策系统 | 第50-52页 |
| 2.2.1 农业信息处理技术 | 第50-51页 |
| 2.2.2 农业智能决策系统 | 第51-52页 |
| 2.3 本章小结 | 第52-53页 |
| 第3章 三维混沌果蝇优化的随机森林模型及虫害预测 | 第53-74页 |
| 3.1 提出三维混沌果蝇优化算法（V3CFOA） | 第53-56页 |
| 3.2 V3CFOA算法对比实验与分析 | 第56-61页 |
| 3.3 基于V3CFOA的随机森林预测模型（V3CFOA-RF） | 第61-64页 |
| 3.4 V3CFOA-RF虫害预测实验研究 | 第64-73页 |
| 3.4.1 虫害数据准备与数据描述 | 第64-66页 |
| 3.4.2 实验环境与算法参数设置 | 第66-67页 |
| 3.4.3 对比实验与数据分析 | 第67-73页 |
| 3.5 本章小结 | 第73-74页 |
| 第4章 改进粒子群的动态多目标优化模型及病害诊断 | 第74-96页 |
| 4.1 改进粒子群算法（IPSO） | 第74-76页 |
| 4.2 IPSO算法对比实验与分析 | 第76-83页 |
| 4.3 基于IPSO的动态多目标优化诊断模型（IPSO-DMO） | 第83-86页 |
| 4.3.1 动态多目标优化模型 | 第84-85页 |
| 4.3.2 IPSO-DMO算法设计 | 第85-86页 |
| 4.4 IPSO-DMO病害诊断实验研究 | 第86-94页 |
| 4.4.1 病害数据准备与数据描述 | 第86-90页 |
| 4.4.2 实验环境与IPSO-DMO参数设置 | 第90-91页 |
| 4.4.3 对比实验与数据分析 | 第91-94页 |
| 4.5 本章小结 | 第94-96页 |
| 第5章 改进灰狼优化算法的支持向量机模型及缺素诊断 | 第96-116页 |
| 5.1 改进灰狼优化算法 （IGWO） | 第96-101页 |
| 5.2 IGWO算法对比实验与分析 | 第101-106页 |
| 5.3 基于IGWO的支持向量机诊断模型（IGWO-SVM） | 第106-109页 |
| 5.4 IGWO-SVM缺素诊断实验研究 | 第109-115页 |
| 5.4.1 缺素数据准备与数据描述 | 第109-110页 |
| 5.4.2 实验环境与IGWO-SVM参数设置 | 第110页 |
| 5.4.3 对比实验与数据分析 | 第110-115页 |
| 5.5 本章小结 | 第115-116页 |
| 第6章 多种群灰狼智能演化核极限学习机模型及产量预测 | 第116-138页 |
| 6.1 提出多种群灰狼优化算法 （MGWO） | 第116-121页 |
| 6.2 MGWO算法对比实验与分析 | 第121-126页 |
| 6.3 基于MGWO的核极限学习机预测模型（MGWO-KELM） | 第126-128页 |
| 6.4 MGWO-KELM产量预测实验研究 | 第128-137页 |
| 6.4.1 产量数据准备与数据描述 | 第128-129页 |
| 6.4.2 对比实验与数据分析 | 第129-137页 |
| 6.5 本章小结 | 第137-138页 |
| 第7章 总结与展望 | 第138-141页 |
| 7.1 论文总结 | 第138-139页 |
| 7.2 未来工作 | 第139-141页 |
| 参考文献 | 第141-162页 |
| 作者简介及在学期间科研成果 | 第162-163页 |
| 致谢 | 第163页 |
