首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于混合生物地理学优化算法和BP神经网络的树叶分类系统

摘要第4-5页
Abstract第5页
缩略用语表第6-9页
第1章 绪论第9-13页
    1.1 研究背景及意义第9页
    1.2 国内外研究现状第9-11页
    1.3 论文的结构安排第11-13页
第2章 树叶图像预处理与特征提取第13-24页
    2.1 图像预处理第13-16页
        2.1.1 实验数据集第13-14页
        2.1.2 几何归一化和灰度化第14页
        2.1.3 图像平滑第14-16页
    2.2 形状特征提取第16-20页
        2.2.1 矩第16-17页
        2.2.2 Hu不变矩第17页
        2.2.3 Hu矩的不变性第17-20页
    2.3 纹理特征提取第20-23页
        2.3.1 基本概念第20-22页
        2.3.2 步骤流程第22-23页
        2.3.3 统计特征第23页
    2.4 本章小结第23-24页
第3章 树叶图像的分类第24-39页
    3.1 几种常见算法介绍第24-29页
        3.1.1 决策树算法第24-26页
        3.1.2 线性判别分析算法第26-28页
        3.1.3 人工神经网络第28-29页
    3.2 BP神经网络第29-34页
        3.2.1 BP神经网络结构第29-30页
        3.2.2 BP神经网络的学习过程第30-33页
        3.2.3 BP神经网络的训练流程第33-34页
    3.3 BP神经网络的分类与改进第34-38页
        3.3.1 BP神经网络的分类第34-35页
        3.3.2 BP神经网络的不足以及产生的原因第35页
        3.3.3 BP神经网络的改进技术第35-38页
    3.4 本章小结第38-39页
第4章 分类算法优化第39-53页
    4.1 生物地理学优化算法第39-43页
        4.1.1 基本原理第39-42页
        4.1.2 算法流程第42-43页
    4.2 基于混沌理论的生物地理学优化算法第43-49页
        4.2.1 基本原理第44-46页
        4.2.2 算法流程第46-47页
        4.2.3 算法测试第47-49页
    4.3 基于CA-BBO算法优化BP神经网络第49-51页
        4.3.1 优化流程第49-51页
        4.3.2 CA-BBO对神经网络训练第51页
    4.4 本章小结第51-53页
第5章 实验结果与分析第53-59页
    5.1 实验分类结果第53-54页
        5.1.1 “Hu-GLCM+CA-BBO+BPNN”分类结果第53页
        5.1.2 “Hu/GLCM+CA-BBO+BPNN”分类结果第53-54页
    5.2 与其他算法的比较与分析第54-58页
        5.2.1 与BBO、PSO、ACO和PBIL优化算法的比较与分析第54-56页
        5.2.2 与BP神经网络、决策树、LDA分类算法的比较与分析第56-58页
    5.3 本章小结第58-59页
第6章 总结与展望第59-61页
    6.1 总结第59-60页
    6.2 展望第60-61页
参考文献第61-65页
攻读硕士学位期间发表论文和参与基金项目第65-66页
致谢第66页

论文共66页,点击 下载论文
上一篇:小型高机动性机器人混合控制系统研究
下一篇:基于ZigBee无线传感器网络的农业大田数据监测系统设计与实现