| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-19页 |
| 1 数据挖掘背景 | 第10-11页 |
| 2 数据挖掘技术概述 | 第11-15页 |
| ·数据挖掘定义及过程 | 第11-13页 |
| ·数据挖掘主要算法 | 第13-15页 |
| ·人工神经网络(ANN) | 第13页 |
| ·遗传算法 | 第13-14页 |
| ·决策树 | 第14页 |
| ·统计分析方法 | 第14-15页 |
| ·粗糙集和模糊集方法 | 第15页 |
| 3 数据挖掘的前景展望 | 第15-17页 |
| 4 土壤高光谱数据挖掘技术的研究现状及意义 | 第17-19页 |
| 第二章 研究方案 | 第19-24页 |
| 1 研究材料及方法 | 第19-20页 |
| ·土壤样本采集 | 第19页 |
| ·土壤光谱测试 | 第19-20页 |
| ·软件 | 第20页 |
| 2 技术路线图 | 第20-22页 |
| 3 研究内容 | 第22页 |
| ·算法的分析 | 第22页 |
| ·进行仿真测试构建了不同的预测模型 | 第22页 |
| ·高光谱数据挖掘系统的设计 | 第22页 |
| 4 模型与方法 | 第22-23页 |
| 5 本章小结 | 第23-24页 |
| 第三章 人工神经网络、SVM等数据挖掘算法研究 | 第24-33页 |
| 1 人工神经网络 | 第24-28页 |
| ·人工神经元模型 | 第24-25页 |
| ·BP神经网络 | 第25-28页 |
| 2 SVM模型 | 第28-31页 |
| ·最优超平面 | 第28-29页 |
| ·线性SVM | 第29-30页 |
| ·非线性SVM | 第30页 |
| ·回归SVM | 第30-31页 |
| ·核函数 | 第31页 |
| 3 逐步多元回归预测模型 | 第31-32页 |
| 4 模型的检验指标 | 第32页 |
| 5 本章小结 | 第32-33页 |
| 第四章 土壤有机质高光谱数据挖掘 | 第33-47页 |
| 1 土壤有机质高光谱数据的预处理 | 第33-34页 |
| ·数据的清洗 | 第33-34页 |
| 2 基于BP神经网络的预测模型分析 | 第34-37页 |
| ·BP网络的建立函数 | 第34-35页 |
| ·神经网络结构与参数的设计 | 第35页 |
| ·网络训练及仿真 | 第35-37页 |
| ·初始化函数 | 第35-36页 |
| ·仿真函数 | 第36页 |
| ·训练函数 | 第36-37页 |
| 3 基于SVM的预测模型分析 | 第37-40页 |
| ·核函数的选择 | 第37页 |
| ·参数的确定 | 第37-38页 |
| ·基于支持向量机回归模型的训练步骤 | 第38-39页 |
| ·Matlab最优化函数求解SVM中的SVR(支持向量回归) | 第39页 |
| ·核函数的矩阵表示 | 第39-40页 |
| ·Matlab训练SVR算法及步骤 | 第40页 |
| ·选择支持向量回归的模型参数 | 第40页 |
| ·根据训练集构造矩阵 | 第40页 |
| ·求解二次规划 | 第40页 |
| ·预测输出 | 第40页 |
| ·画图 | 第40页 |
| 4 基于多元回归统计预测模型分析 | 第40-41页 |
| 5 模型精度比较 | 第41-46页 |
| ·BP网络模型、SVM模型以及回归模型散点图 | 第41-43页 |
| ·基于SVM的模型参数调节 | 第43-45页 |
| ·测试结果分析 | 第45页 |
| ·BP神经网络与SVR的优缺点分析 | 第45-46页 |
| ·BP神经网络的优缺点分析 | 第45-46页 |
| ·SVM方法的优缺点分析 | 第46页 |
| 6 本章小结 | 第46-47页 |
| 第五章 土壤有机质高光谱预测系统的设计 | 第47-51页 |
| 1 系统设计环境 | 第47页 |
| 2 数学工具软件MATLAB简介 | 第47-48页 |
| 3 系统功能设计 | 第48-50页 |
| ·Matlab的OLE接口 | 第49-50页 |
| 4 预测结果的表示 | 第50页 |
| 5 本章小结 | 第50-51页 |
| 第六章 结论 | 第51-53页 |
| 1 结论 | 第51页 |
| 2 不足 | 第51页 |
| 3 讨论 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 作者简介 | 第57页 |