| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 粮食虫害研究现状 | 第10-12页 |
| 1.3 生物光子学 | 第12-15页 |
| 1.3.1 研究进展 | 第13-14页 |
| 1.3.2 相关应用 | 第14-15页 |
| 1.4 选题的目的和意义 | 第15-16页 |
| 1.5 本文的主要工作和章节安排 | 第16-17页 |
| 2 小麦的生物光子辐射信号采集及处理 | 第17-25页 |
| 2.1 生物光子辐射信号采集 | 第17-20页 |
| 2.1.1 测量系统 | 第17-18页 |
| 2.1.2 样品及测量方法 | 第18-20页 |
| 2.2 实验数据降噪处理 | 第20-21页 |
| 2.3 数据特征提取 | 第21-24页 |
| 2.3.1 时域特征 | 第22-23页 |
| 2.3.2 直方图特征 | 第23-24页 |
| 2.4 小结 | 第24-25页 |
| 3 基于KNN和BP神经网络的小麦隐蔽性虫害识别模型 | 第25-43页 |
| 3.1 模式识别概述 | 第25-27页 |
| 3.2 KNN分类器 | 第27-30页 |
| 3.2.1 模型 | 第27页 |
| 3.2.2 距离度量 | 第27-28页 |
| 3.2.3 K值的选择 | 第28页 |
| 3.2.4 分类决策规则 | 第28-30页 |
| 3.3 BP神经网络简介 | 第30-39页 |
| 3.3.1 BP神经网络原理 | 第32-33页 |
| 3.3.2 BP学习算法 | 第33-37页 |
| 3.3.3 BP网络的构建 | 第37-39页 |
| 3.4 网络的训练和测试 | 第39-42页 |
| 3.5 小结 | 第42-43页 |
| 4 基于遗传算法优化神经网络的小麦籽粒隐蔽性虫害识别模型 | 第43-57页 |
| 4.1 遗传算法简介 | 第43-48页 |
| 4.1.1 遗传算法流程 | 第44-46页 |
| 4.1.2 遗传算法的一些优化技术 | 第46-48页 |
| 4.2 GA-BP算法的设计 | 第48-53页 |
| 4.2.1 编码方案 | 第50-51页 |
| 4.2.2 适应度函数的确定 | 第51页 |
| 4.2.3 遗传操作 | 第51-52页 |
| 4.2.4 混合算法的训练 | 第52-53页 |
| 4.3 GA-BP算法的测试和分析 | 第53-56页 |
| 4.4 小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 全文工作总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |