| 摘要 | 第8-11页 |
| 第一章 绪论 | 第11-28页 |
| 1 害虫预测预报概述 | 第11页 |
| 2 传统预测预报方法回顾 | 第11-12页 |
| 2.1 经验预测法 | 第11-12页 |
| 2.2 实验预测法 | 第12页 |
| 2.3 统计预测法 | 第12页 |
| 3 现代预测预报方法与应用现状 | 第12-26页 |
| 3.1 人工神经网络 | 第13-19页 |
| 3.2 相空间重构 | 第19-21页 |
| 3.3 小波分析 | 第21-23页 |
| 3.4 支持向量机 | 第23-26页 |
| 4 本研究科学和实践意义 | 第26-28页 |
| 第二章 基于BPNN的麦蚜最大虫株率预测模型 | 第28-45页 |
| 1 数据来源 | 第28-30页 |
| 1.1 麦蚜数据 | 第28-29页 |
| 1.2 气象数据 | 第29-30页 |
| 2 BPNN模型工作机理及预测流程 | 第30-31页 |
| 2.1 BPNN模型工作机理 | 第30页 |
| 2.2 BPNN模型预测流程 | 第30-31页 |
| 3 归一化法处理数据 | 第31-32页 |
| 4 试凑法筛选BPNN模型重要参数 | 第32-35页 |
| 4.1 筛选传递函数 | 第32页 |
| 4.2 筛选目标误差 | 第32页 |
| 4.3 筛选学习速率 | 第32-33页 |
| 4.4 筛选隐含层节点数 | 第33页 |
| 4.5 筛选学习算法 | 第33-35页 |
| 5 参比模型 | 第35-36页 |
| 6 模型验证方法 | 第36页 |
| 7 结果与分析 | 第36-43页 |
| 7.1 模型参数筛选结果 | 第36-41页 |
| 7.2 基于BPNN模型和逐步回归法的1980-2006年麦蚜最大虫株率拟合结果比较 | 第41-42页 |
| 7.3 基于BPNN模型和逐步回归法的2007—2011年麦蚜最大虫株率预测结果比较 | 第42-43页 |
| 8 结论与讨论 | 第43-45页 |
| 第三章 基于PCA-WNN的麦蚜发生程度预测模型 | 第45-71页 |
| 1 数据来源 | 第45-46页 |
| 1.1 麦蚜数据 | 第45页 |
| 1.2 气象数据 | 第45-46页 |
| 2 小波神经网络模型工作机理与预测流程 | 第46-50页 |
| 2.1 小波神经网络工作机理 | 第46-49页 |
| 2.2 小波神经网络预测流程 | 第49-50页 |
| 3 主成分分析法整合气象因子 | 第50页 |
| 4 归一化法处理数据 | 第50页 |
| 5 试凑法筛选神经网络参数 | 第50页 |
| 6 参比模型 | 第50-51页 |
| 7 模型验证方法 | 第51页 |
| 8 结果与分析 | 第51-69页 |
| 8.1 主成分分析结果 | 第51-56页 |
| 8.2 模型参数筛选结果 | 第56-66页 |
| 8.3 1980-2009年四种不同模型的麦蚜发生程度拟合结果 | 第66-67页 |
| 8.4 2010-2014年四种不同模型的麦蚜发生程度预测结果 | 第67-69页 |
| 9 结论与讨论 | 第69-71页 |
| 第四章 基于SLR-WNN的麦蚜发生期预测模型 | 第71-87页 |
| 1 数据来源 | 第71页 |
| 1.1 麦蚜数据 | 第71页 |
| 1.2 气象数据 | 第71页 |
| 2 小波神经网络模型工作机理与预测流程 | 第71-72页 |
| 2.1 小波神经网络模型工作机理 | 第71-72页 |
| 2.2 小波神经网络预测流程 | 第72页 |
| 3 逐步回归法筛选气象因子 | 第72-73页 |
| 4 归一化法处理数据 | 第73页 |
| 5 试凑法筛选神经网络参数 | 第73-74页 |
| 6 参比模型 | 第74页 |
| 7 模型验证方法 | 第74页 |
| 8 结果与分析 | 第74-86页 |
| 8.1 逐步回归法筛选因子结果 | 第74-77页 |
| 8.2 模型参数筛选结果 | 第77-82页 |
| 8.3 1980-2009年三种不同模型的麦蚜发生期拟合结果 | 第82-84页 |
| 8.4 2010-2014年三种不同模型的麦蚜发生期预测结果 | 第84-86页 |
| 9 结论与讨论 | 第86-87页 |
| 第五章 基于SLR-LSSVM的麦蚜最大发生量预测模型 | 第87-106页 |
| 1 研究材料 | 第87页 |
| 1.1 麦蚜数据 | 第87页 |
| 1.2 气象数据 | 第87页 |
| 2 最小二乘支持向量机工作机理及预测流程 | 第87-90页 |
| 2.1 最小二乘支持向量机工作机理 | 第87-90页 |
| 2.2 最小二乘支持向量机预测流程 | 第90页 |
| 3 逐步回归法筛选气象因子 | 第90-91页 |
| 4 归一化法处理数据 | 第91页 |
| 5 寻找最优参数 | 第91-92页 |
| 5.1 核函数筛选 | 第91页 |
| 5.2 选取最优参数 | 第91-92页 |
| 6 参比模型 | 第92页 |
| 7 模型验证方法 | 第92页 |
| 8 结果与分析 | 第92-104页 |
| 8.1 逐步回归法筛选气象因子结果 | 第92-93页 |
| 8.2 数据归一化结果 | 第93-98页 |
| 8.3 筛选最优参数结果 | 第98-101页 |
| 8.4 基于三种不同模型的1980-2009年麦蚜最大发生量拟合结果比较 | 第101-102页 |
| 8.5 基于三种不同模型的2010-2014年麦蚜最大发生量预测结果比较 | 第102-104页 |
| 9 结论与讨论 | 第104-106页 |
| 第六章 结论与讨论 | 第106-109页 |
| 1 结论 | 第106-107页 |
| 1.1 基于BPNN模型的麦蚜最大虫株率预测模型 | 第106页 |
| 1.2 基于PCA-WNN的麦蚜发生程度预测模型 | 第106页 |
| 1.3 基于SLR-WNN的麦蚜发生期预测模型 | 第106-107页 |
| 1.4 基于SLR-LSSVM的麦蚜最大发生量预测模型 | 第107页 |
| 2 创新与特色 | 第107页 |
| 3 讨论 | 第107-109页 |
| 参考文献 | 第109-115页 |
| Abstract | 第115-118页 |
| 博士在读期间发表论文 | 第119-120页 |
| 致谢 | 第120-121页 |
