基于改进的神经网络模型对棉铃虫发生程度预测研究
| 摘要 | 第1-11页 |
| Abstract | 第11-13页 |
| 第一章 绪论 | 第13-30页 |
| ·棉铃虫概述 | 第13-15页 |
| ·棉铃虫形态特征 | 第13页 |
| ·生活习性 | 第13页 |
| ·危害症状 | 第13-14页 |
| ·棉铃虫生活史 | 第14页 |
| ·综合防治 | 第14-15页 |
| ·影响棉铃虫种群动态变化因素 | 第15-16页 |
| ·食物源 | 第15页 |
| ·气象因素 | 第15-16页 |
| ·虫源基数 | 第16页 |
| ·天敌 | 第16页 |
| ·害虫预测预报 | 第16-20页 |
| ·预测预报原理及意义 | 第16-17页 |
| ·预测预报的内容及分类 | 第17-18页 |
| ·预测预报的发展 | 第18-20页 |
| ·人工神经网络简介 | 第20-24页 |
| ·神经网络的特点 | 第21-22页 |
| ·神经网络的学习规则 | 第22页 |
| ·神经网络模型 | 第22-24页 |
| ·基于神经网络的建模和预测 | 第24-26页 |
| ·神经网络的测报步骤 | 第25页 |
| ·神经网络的预测现状 | 第25-26页 |
| ·神经网络在农作物病虫害预测预报的应用概况 | 第26-27页 |
| ·神经网络在农作物病虫害预测预报的应用 | 第26-27页 |
| ·神经网络在棉铃虫预测预报的应用 | 第27页 |
| ·本研究的目的意义 | 第27-28页 |
| ·本研究的技术路线 | 第28-30页 |
| 第二章 数据源与预处理 | 第30-33页 |
| ·数据源 | 第30页 |
| ·数据预处理 | 第30-32页 |
| ·实验方案 | 第32-33页 |
| 第三章 基于传统神经网络的预测 | 第33-41页 |
| ·利用BP 神经模型预测 | 第33-37页 |
| ·BP 神经网络的拓扑结构 | 第33-34页 |
| ·BP 神经网络学习规则 | 第34-36页 |
| ·BP 网络的预测 | 第36-37页 |
| ·RBF 神经网络 | 第37-38页 |
| ·RBF 神经网络的拓扑结构 | 第37页 |
| ·RBF 神经网络的学习规则 | 第37-38页 |
| ·RBF 网络的预测 | 第38页 |
| ·Elman 神经网络 | 第38-40页 |
| ·Elman 神经网络的基本原理 | 第39-40页 |
| ·Elman 网络的预测 | 第40页 |
| ·小结 | 第40-41页 |
| 第四章 基于改进神经网络的预测 | 第41-64页 |
| ·基于遗传算法的神经网络 | 第41-47页 |
| ·遗传算法 | 第41-44页 |
| ·基于遗传算法的神经网络 | 第44-46页 |
| ·GABP 网络的预测 | 第46-47页 |
| ·基于特征压缩的神经网络 | 第47-54页 |
| ·数据降维 | 第48-52页 |
| ·基于FA 的BP 算法 | 第52页 |
| ·基于FA 的RBF 算法 | 第52-53页 |
| ·基于PCA 的Elman 算法 | 第53-54页 |
| ·基于聚类分析的神经网络 | 第54-59页 |
| ·聚类分析 | 第54-57页 |
| ·判别分析 | 第57页 |
| ·基于CA 的BP 算法 | 第57-59页 |
| ·基于FA 和CA 的神经网络 | 第59-61页 |
| ·基于FA 和CA 的GABP 模型 | 第61-62页 |
| ·小结 | 第62-64页 |
| 第五章 害虫测报系统开发 | 第64-70页 |
| ·数据预处理模块 | 第66-67页 |
| ·测报模块 | 第67-70页 |
| 第六章 讨论与展望 | 第70-74页 |
| ·结论与讨论 | 第70-72页 |
| ·展望 | 第72-73页 |
| ·进一步工作 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 在校期间参加的科研项目 | 第81页 |
| 在校期间发表论文情况 | 第81-83页 |
| 致谢 | 第83页 |
