多模型综合分析在水稻穗颈瘟病害预测中的研究--以安徽省颍上县为例
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第18-24页 |
| 1.1 研究背景和意义 | 第18-19页 |
| 1.1.1 研究背景 | 第18页 |
| 1.1.2 研究意义 | 第18-19页 |
| 1.2 研究现状 | 第19-21页 |
| 1.2.1 穗颈瘟研究现状 | 第19页 |
| 1.2.2 机器学习应用于穗颈瘟预测研究现状 | 第19-20页 |
| 1.2.3 小结 | 第20-21页 |
| 1.3 研究内容与技术路线 | 第21-22页 |
| 1.3.1 研究内容 | 第21页 |
| 1.3.2 技术路线 | 第21-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第二章 水稻穗颈瘟与相关机器学习算法介绍 | 第24-42页 |
| 2.1 水稻生长周期 | 第24-25页 |
| 2.2 穗颈瘟 | 第25-27页 |
| 2.3 历史研究阶段概述 | 第27-28页 |
| 2.4 机器学习算法对比及选择 | 第28-31页 |
| 2.5 各聚类算法介绍 | 第31-34页 |
| 2.5.1 K-Means算法 | 第32-33页 |
| 2.5.2 DBSCAN算法 | 第33-34页 |
| 2.6 支持向量机(SVM)算法 | 第34-40页 |
| 2.6.1 线性SVM | 第35-38页 |
| 2.6.2 非线性SVM与核函数 | 第38-40页 |
| 2.7 Anaconda科学计算库 | 第40-42页 |
| 第三章 基于聚类和支持向量机建立预测模型 | 第42-65页 |
| 3.1 数据来源 | 第42页 |
| 3.2 建模之前的准备工作 | 第42-47页 |
| 3.2.1 时间窗口的划定 | 第42-43页 |
| 3.2.2 提取特征属性 | 第43-45页 |
| 3.2.3 数据补缺值 | 第45-47页 |
| 3.3 基于聚类算法构建预测模型 | 第47-59页 |
| 3.3.1 数据标准化 | 第47-50页 |
| 3.3.2 生成K-Means聚类 | 第50-53页 |
| 3.3.3 轮廓系数与最佳簇个数判定 | 第53-55页 |
| 3.3.4 DBSCAN聚类与噪声点识别 | 第55-59页 |
| 3.4 基于SVM算法构建预测模型 | 第59-61页 |
| 3.5 交叉验证 | 第61-63页 |
| 3.6 系统预测分析 | 第63-64页 |
| 3.7 本章小结 | 第64-65页 |
| 第四章 穗颈瘟病害预警系统原型 | 第65-70页 |
| 4.1 需求分析 | 第65-66页 |
| 4.2 模块设计 | 第66页 |
| 4.3 穗颈瘟预测系统展示 | 第66-70页 |
| 4.3.1 系统登录页面展示 | 第66-67页 |
| 4.3.2 系统主页展示 | 第67页 |
| 4.3.3 病害介绍界面展示 | 第67-68页 |
| 4.3.5 预测结果界面展示 | 第68-70页 |
| 第五章 总结与展望 | 第70-73页 |
| 5.1 工作总结 | 第70-71页 |
| 5.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 作者简介 | 第77页 |
