摘要 | 第4-6页 |
Abstract | 第6-7页 |
1 绪论 | 第11-18页 |
1.1 研究背景 | 第11-12页 |
1.2 植物氮素营养状况检测技术现状 | 第12-16页 |
1.2.1 植物氮素营养诊断技术概述 | 第12-13页 |
1.2.2 植物氮素营养光谱诊断方法的研究进展 | 第13-15页 |
1.2.3 橡胶树光谱营养诊断方法的研究进展 | 第15-16页 |
1.3 主要研究内容 | 第16-17页 |
1.4 论文总体结构 | 第17页 |
1.5 本章小结 | 第17-18页 |
2 实验材料与方法 | 第18-29页 |
2.1 实验材料 | 第18页 |
2.1.1 实验样本的获取 | 第18页 |
2.1.2 橡胶树叶片营养水平划分标准 | 第18页 |
2.2 光谱数据的获取 | 第18-19页 |
2.2.1 实验仪器 | 第18-19页 |
2.2.2 光谱数据获取 | 第19页 |
2.3 理化指标的采集 | 第19-20页 |
2.4 光谱信息预处理方法 | 第20-23页 |
2.4.1 导数运算 | 第20页 |
2.4.2 分数阶微积分 | 第20-22页 |
2.4.3 直接正交信号处理 | 第22-23页 |
2.5 氮素水平检测模型建立方法 | 第23-27页 |
2.5.1 橡胶树氮含量定性分析方法 | 第23-26页 |
2.5.2 橡胶树氮含量定量分析方法 | 第26-27页 |
2.6 氮素检测模型评价准则 | 第27-28页 |
2.7 本章小结 | 第28-29页 |
3 基于BP-Adaboost算法的橡胶树氮素含量光谱诊断模型 | 第29-39页 |
3.1 橡胶叶光谱特性的描述性分析 | 第29-30页 |
3.2 基于BP-Adabost算法的橡胶树氮素水平分类识别方法研究 | 第30-35页 |
3.2.1 橡胶树氮素含量水平划分 | 第30-31页 |
3.2.2 数据预处理 | 第31-32页 |
3.2.3 基于特征融合的光谱建模策略 | 第32-33页 |
3.2.4 模型结构及建模步骤 | 第33-35页 |
3.3 BP-Adaboost算法建模效果分析 | 第35-36页 |
3.4 不同建模方案的比较 | 第36-38页 |
3.4.1 BP神经网络模型 | 第36-37页 |
3.4.2 Bayes判别分析模型 | 第37-38页 |
3.4.3 分析与讨论 | 第38页 |
3.5 本章小结 | 第38-39页 |
4 基于分数阶算法的橡胶树氮含量光谱定性分析模型 | 第39-49页 |
4.1 光谱数据的分数阶微积分预处理 | 第39-42页 |
4.2 建模集和预测集的划分 | 第42-43页 |
4.3 特征的提取 | 第43-46页 |
4.4 橡胶树氮素含量SVM、ELM分析模型的建立 | 第46-47页 |
4.4.1 橡胶树氮素含量的SVM定性分析模型 | 第46-47页 |
4.4.2 橡胶树氮素含量的ELM定性分析模型 | 第47页 |
4.5 不同阶次分数阶光谱所建模型预测能力比较 | 第47-48页 |
4.6 本章小结 | 第48-49页 |
5 基于分数阶算法的橡胶树氮含量光谱定量分析模型 | 第49-59页 |
5.1 橡胶树氮素含量光谱定量分析模型的建立 | 第49-54页 |
5.1.1 光谱数据的数学变换 | 第49-50页 |
5.1.2 分数阶光谱的获取 | 第50-52页 |
5.1.3 特征的选择 | 第52页 |
5.1.4 定量分析模型建模流程 | 第52-54页 |
5.2 橡胶树氮素含量光谱定量分析模型预测结果 | 第54-55页 |
5.3 分数阶模型效果分析 | 第55-58页 |
5.3.1 分数阶模型与整数阶模型预测效果分析 | 第55-56页 |
5.3.2 分数阶模型与已有建模方法预测效果比较 | 第56页 |
5.3.3 最优阶次选择 | 第56-58页 |
5.4 不同数学处理手段的影响 | 第58页 |
5.5 本章小结 | 第58-59页 |
6 结论与展望 | 第59-61页 |
6.1 主要研究结论 | 第59页 |
6.2 进一步研究展望 | 第59-61页 |
参考文献 | 第61-65页 |
攻读学位期间发表的学术论文目录 | 第65-67页 |
攻读学位期间参与的项目 | 第67-68页 |
致谢 | 第68-69页 |