| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文主要创新点 | 第13页 |
| 1.5 组织结构 | 第13-14页 |
| 1.6 本章小结 | 第14-16页 |
| 第2章 实验材料与研究方法 | 第16-24页 |
| 2.1 叶片样本和光谱信息采集 | 第16-17页 |
| 2.2 叶绿素含量测定 | 第17-18页 |
| 2.3 光谱数据降维方法 | 第18-20页 |
| 2.3.1 主成分分析法 | 第18-19页 |
| 2.3.2 连续投影法 | 第19-20页 |
| 2.4 常用建模方法 | 第20-22页 |
| 2.4.1 偏最小二乘法（PLS） | 第20-21页 |
| 2.4.2 多元线性回归（MLR） | 第21页 |
| 2.4.3 支持向量回归（SVR） | 第21页 |
| 2.4.4 反向传播人工神经网络（BPNN） | 第21-22页 |
| 2.5 模型评价标准 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 改进的PSO优化BP神经网络 | 第24-40页 |
| 3.1 神经网络优化技术 | 第24-26页 |
| 3.1.1 神经网络参数优化 | 第24-25页 |
| 3.1.2 神经网络结构优化 | 第25-26页 |
| 3.2 粒子群及优化神经网络算法 | 第26-29页 |
| 3.2.1 基本的粒子群算法 | 第26-27页 |
| 3.2.2 粒子群算法的改进研究 | 第27-28页 |
| 3.2.3 粒子群优化神经网络算法 | 第28-29页 |
| 3.3 适应度与多样性引导的粒子群算法（FDPSOs） | 第29-36页 |
| 3.3.1 相关定义 | 第29页 |
| 3.3.2 FDPSOs算法的思想 | 第29-30页 |
| 3.3.3 FDPSOs算法的主要步骤 | 第30-32页 |
| 3.3.4 实验结果及分析 | 第32-36页 |
| 3.4 FDPSOs优化BP神经网络 | 第36-39页 |
| 3.4.1 算法描述 | 第36-37页 |
| 3.4.2 实验结果及分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于高光谱信息的叶绿素含量预测模型 | 第40-50页 |
| 4.1 光谱预处理 | 第40-41页 |
| 4.2 光谱降维 | 第41-44页 |
| 4.3 建立预测模型 | 第44-48页 |
| 4.3.1 基于PCA降维处理的叶绿素含量预测模型比较 | 第44-45页 |
| 4.3.2 基于SPA降维处理的叶绿素含量预测模型比较 | 第45-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 总结及展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 攻读硕士期间发表论文及科研工作 | 第58页 |
