| 摘要 | 第12-13页 |
| Abstract | 第13-14页 |
| 1 绪论 | 第15-27页 |
| 1.1 研究的目的与意义 | 第16-17页 |
| 1.2 国内外研究动态和趋势 | 第17-23页 |
| 1.2.1 基于水稻长势判别的国内外研究动态 | 第17-20页 |
| 1.2.2 基于卷积神经网络的国内外研究动态 | 第20-23页 |
| 1.3 研究目标、内容和技术路线 | 第23-27页 |
| 1.3.1 研究目标 | 第23页 |
| 1.3.2 研究内容 | 第23-24页 |
| 1.3.3 研究方案和技术路线 | 第24-27页 |
| 2 卷积神经网络理论基础 | 第27-35页 |
| 2.1 卷积神经网络 | 第27页 |
| 2.2 网络的求解 | 第27-31页 |
| 2.2.1 前向传播算法 | 第27-30页 |
| 2.2.2 反向传播算法 | 第30-31页 |
| 2.2.3 权值更新 | 第31页 |
| 2.3 网络的特征 | 第31-33页 |
| 2.3.1 稀疏连接 | 第31-32页 |
| 2.3.2 权重共享 | 第32-33页 |
| 2.3.3 最大池采样 | 第33页 |
| 2.4 网络的训练 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 水稻长势图像采集与数据集建立 | 第35-41页 |
| 3.1 水稻长势图像采集 | 第35页 |
| 3.2 水稻生长阶段优劣判别依据 | 第35-37页 |
| 3.3 基于K最近邻分类器对水稻图像数据库的建立 | 第37-38页 |
| 3.4 建立水稻长势样本集 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 构建水稻长势卷积神经网络模型 | 第41-55页 |
| 4.1 水稻长势卷积神经网络结构的设计 | 第41-45页 |
| 4.1.1 传统卷积神经网络结构设计 | 第41-43页 |
| 4.1.2 水稻长势卷积神经网络结构的设计 | 第43-45页 |
| 4.2 样本图像预处理 | 第45-48页 |
| 4.2.1 图像剪切变换 | 第45-46页 |
| 4.2.2 图像灰度阈值法分割 | 第46-48页 |
| 4.3 试验过程与结果 | 第48-52页 |
| 4.3.1 小批量样本试验 | 第48页 |
| 4.3.2 试验结果 | 第48-49页 |
| 4.3.3 大批量样本试验 | 第49-51页 |
| 4.3.4 试验结果 | 第51-52页 |
| 4.4 对比分析 | 第52-53页 |
| 4.5 本章小结 | 第53-55页 |
| 5 基于粒子群算法的水稻长势卷积神经网络模型的优化 | 第55-65页 |
| 5.1 粒子群优化算法 | 第55-56页 |
| 5.2 粒子群优化水稻长势卷积神经网络权值试验 | 第56-62页 |
| 5.2.1 粒子群优化网络权值 | 第56-59页 |
| 5.2.2 小批量优化样本试验 | 第59页 |
| 5.2.3 试验结果与对比分析 | 第59-60页 |
| 5.2.4 大批量优化样本试验 | 第60-61页 |
| 5.2.5 试验结果与对比分析 | 第61-62页 |
| 5.3 对比分析与总结 | 第62页 |
| 5.4 本章小结 | 第62-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 主要研究结论 | 第65页 |
| 6.2 主要创新点 | 第65-66页 |
| 6.3 进一步研究进展 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 个人简历 | 第75页 |