| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究意义 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-21页 |
| 1.3.1 病害图像处理及特征提取研究现状 | 第17-18页 |
| 1.3.2 传统降维特征提取的研究现状 | 第18-19页 |
| 1.3.3 机器学习特征提取及识别的研究现状 | 第19-21页 |
| 1.4 研究目标及内容 | 第21-23页 |
| 1.4.1 研究目标 | 第21页 |
| 1.4.2 研究内容 | 第21-23页 |
| 1.5 主要创新及论文结构 | 第23-26页 |
| 1.5.1 论文创新 | 第23-24页 |
| 1.5.2 论文结构安排 | 第24-26页 |
| 第2章 基于惩罚校正的支持向量机识别方法 | 第26-50页 |
| 2.1 支持向量机和不平衡数据集合的识别及分类 | 第26-27页 |
| 2.2 线性SVN和基于核的SVN | 第27-39页 |
| 2.2.1 规范超平面和SVN的形式化问题 | 第27-29页 |
| 2.2.2 SVN的形式化求解 | 第29-32页 |
| 2.2.3 基于核的支持向量网络 | 第32-35页 |
| 2.2.4 核的VC维和表达能力 | 第35-38页 |
| 2.2.5 SVN的经验风险和结构风险 | 第38-39页 |
| 2.3 惩罚校正SVN | 第39-45页 |
| 2.3.1 问题描述 | 第40-41页 |
| 2.3.2 惩罚支持向量机 | 第41页 |
| 2.3.3 均匀惩罚SVC的学习错误率分析 | 第41-44页 |
| 2.3.4 惩罚因子校正 | 第44-45页 |
| 2.4 惩罚校正SVN的籽种图像数据实验分析 | 第45-49页 |
| 2.4.1 实验过程 | 第45-46页 |
| 2.4.2 籽种影像特征提取 | 第46页 |
| 2.4.3 结果分析、对比及讨论 | 第46-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 苹果病害图像预处理及病变特征提取 | 第50-62页 |
| 3.1 苹果病害图像采集及识别 | 第52-54页 |
| 3.1.1 苹果病害及其病变图像特征 | 第52-53页 |
| 3.1.2 基于图像的病害识别 | 第53-54页 |
| 3.2 病害图像的多样性仿真方法 | 第54-60页 |
| 3.2.1 图像整形和采集方位多样性仿真 | 第55-58页 |
| 3.2.2 图像采集的亮度多样性 | 第58-59页 |
| 3.2.3 多态性组合 | 第59页 |
| 3.2.4 图像灰值化和稀疏化 | 第59-60页 |
| 3.3 本章小结 | 第60-62页 |
| 第4章 溢界丢弃主成分分析提取病变特征 | 第62-74页 |
| 4.1 图像降维和模式特征提取 | 第62-63页 |
| 4.2 主成分分析方法 | 第63-66页 |
| 4.2.1 均值和协方差 | 第63-64页 |
| 4.2.2 本征值和本征向量 | 第64-65页 |
| 4.2.3 数据集的PCA分析和重构 | 第65-66页 |
| 4.3 基于溢界丢弃的主分量方法 | 第66-68页 |
| 4.3.1 溢界丢弃PCA | 第67页 |
| 4.3.2 溢界丢弃PCA降维和重构 | 第67-68页 |
| 4.4 实验结果与分析 | 第68-72页 |
| 4.4.1 重构性能分析 | 第68-69页 |
| 4.4.2 识别性能分析 | 第69-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 随机反馈深度RBM学习提取病变特征 | 第74-106页 |
| 5.1 受限玻尔兹曼机 | 第74-78页 |
| 5.1.1 麦克斯韦-玻尔兹曼分布 | 第74-75页 |
| 5.1.2 玻尔兹曼机机器学习模型 | 第75-76页 |
| 5.1.3 玻尔兹曼机模型的能量函数 | 第76-78页 |
| 5.2 理想玻尔兹曼机学习和自动编码 | 第78-89页 |
| 5.2.1 模型节点激活的条件概率 | 第78-81页 |
| 5.2.2 样本的概率分布 | 第81-82页 |
| 5.2.3 理想梯度上升的玻尔兹曼机学习 | 第82-87页 |
| 5.2.4 RBM自动编码网络 | 第87-89页 |
| 5.3 随机反馈的玻尔兹曼机学习方法 | 第89-94页 |
| 5.3.1 朴素对比发散方法学习方法 | 第89-91页 |
| 5.3.2 基于反馈的随机对比散度方法 | 第91-94页 |
| 5.4 模型评价和实验分析 | 第94-104页 |
| 5.4.1 基于分批的学习和机器模型评价 | 第94-96页 |
| 5.4.2 深度玻尔兹曼机的病变图像降维实验及分析 | 第96-101页 |
| 5.4.3 基于识别性能分析 | 第101-104页 |
| 5.5 本章小结 | 第104-106页 |
| 第6章 基于弹性动量深度卷积学习的特征提取及识别 | 第106-126页 |
| 6.1 卷积运算和LENET卷积网络 | 第106-111页 |
| 6.1.1 图像卷积运算 | 第107-108页 |
| 6.1.2 卷积的局部、全局连接 | 第108-109页 |
| 6.1.3 LeNet卷积神经网络及其特征图多对多组合 | 第109-111页 |
| 6.2 病变识别卷积网络 | 第111-115页 |
| 6.2.1 网络结构和参数 | 第111-113页 |
| 6.2.2 网络功能流程 | 第113-114页 |
| 6.2.3 网络BP梯度偏差传递算法 | 第114-115页 |
| 6.3 弹性动量学习 | 第115-117页 |
| 6.3.1 算子学习和参数学习 | 第115页 |
| 6.3.2 弹性动量的权值更新方法 | 第115-117页 |
| 6.4 基准数据上的实验分析及讨论 | 第117-120页 |
| 6.5 病害图像识别实验 | 第120-125页 |
| 6.5.1 混淆矩阵和召回率 | 第120-122页 |
| 6.5.2 识别性能对比 | 第122页 |
| 6.5.3 不同网络的性能收敛 | 第122-123页 |
| 6.5.4 不同数据集合的识别精度收敛 | 第123-124页 |
| 6.5.5 不同动量方法的误差函数收敛性 | 第124-125页 |
| 6.6 本章小结 | 第125-126页 |
| 结论 | 第126-128页 |
| 论文的创新研究和总结 | 第126-127页 |
| 研究工作展望 | 第127-128页 |
| 参考文献 | 第128-136页 |
| 攻读博士学位期间取得的研究成果 | 第136-138页 |
| 发表的学术论文 | 第136-137页 |
| 主持及参与的科研项目 | 第137-138页 |
| 致谢 | 第138页 |