| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 精准农业 | 第11页 |
| 1.1.2 墒情预测 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 墒情预测模型研究现状 | 第12-13页 |
| 1.2.2 数据差值算法研究现状 | 第13页 |
| 1.2.3 随机优化算法研究现状 | 第13-16页 |
| 1.3 论文研究内容和思路 | 第16-17页 |
| 1.4 章节安排 | 第17-19页 |
| 第二章 基于粒子密度的正弦余弦算法优化普通克里金插值 | 第19-31页 |
| 2.1 插值算法 | 第19-22页 |
| 2.1.1 最近邻点法 | 第19页 |
| 2.1.2 反距离加权插值方法 | 第19-20页 |
| 2.1.3 普通克里金插值法 | 第20-22页 |
| 2.2 基于粒子密度的正弦余弦算法优化普通克里金插值 | 第22-27页 |
| 2.2.1 单目标优化问题 | 第22-23页 |
| 2.2.2 正弦余弦算法 | 第23-25页 |
| 2.2.3 基于粒子密度的正弦余弦算法 | 第25-26页 |
| 2.2.4 基于粒子密度的正弦余弦算法优化普通克里金插值 | 第26-27页 |
| 2.3 实验与结果 | 第27-30页 |
| 2.3.1 使用基准函数进行基于粒子密度的正弦余弦算法性能测试 | 第27-29页 |
| 2.3.2 优化后的普通克里金法在墒情插值中的应用 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 动态拓扑多目标粒子群神经网络预测模型 | 第31-51页 |
| 3.1 BP神经网络 | 第31-34页 |
| 3.1.1 基本结构 | 第31-32页 |
| 3.1.2 算法流程与数学原理 | 第32-34页 |
| 3.2 基于动态网络拓扑的多目标粒子群算法 | 第34-41页 |
| 3.2.1 基础理论 | 第34-38页 |
| 3.2.2 基于动态网络拓扑的多目标粒子群算法 | 第38-41页 |
| 3.3 动态拓扑多目标粒子群神经网络预测模型 | 第41-42页 |
| 3.4 实验与结果 | 第42-50页 |
| 3.4.1 基于动态网络拓扑的多目标粒子群算法性能测试 | 第42-48页 |
| 3.4.2 动态拓扑多目标粒子群神经网络预测模型 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 作物墒情监测与预测平台的搭建 | 第51-62页 |
| 4.1 系统架构设计及开发环境 | 第51-54页 |
| 4.1.1 系统架构设计 | 第51页 |
| 4.1.2 系统软件平台的选择 | 第51-52页 |
| 4.1.3 接口设计 | 第52-54页 |
| 4.2 功能结构 | 第54-60页 |
| 4.2.1 数据建模与处理模块 | 第54-55页 |
| 4.2.2 服务器模块 | 第55-56页 |
| 4.2.3 用户终端模块 | 第56-60页 |
| 4.3 预测结果分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 结论与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 下一步工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间取得的研究成果 | 第71页 |
