农业物联网决策系统数据处理方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 论文研究背景和意义 | 第10-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文的结构和主要工作 | 第16-18页 |
| 1.3.1 论文的结构 | 第16-17页 |
| 1.3.2 论文的主要工作 | 第17-18页 |
| 第二章 农作物产量预测方法 | 第18-31页 |
| 2.1 产量预测的概念 | 第18页 |
| 2.2 农作物产量的影响因素 | 第18-19页 |
| 2.3 产量预测的基本方法 | 第19-24页 |
| 2.3.1 作物生长模型预测方法 | 第19-20页 |
| 2.3.2 经典统计模型预测方法 | 第20-22页 |
| 2.3.3 机器学习方法 | 第22-24页 |
| 2.4 产量预测方法 | 第24-30页 |
| 2.4.1 试验地概况 | 第24页 |
| 2.4.2 样本数据材料 | 第24-28页 |
| 2.4.3 玉米产量预测方法的选取 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 线性回归在农作物产量预测中的应用 | 第31-45页 |
| 3.1 多元线性回归基本原理 | 第31-33页 |
| 3.2 基于线性回归的产量预测模型的构建 | 第33-44页 |
| 3.2.1 实验环境 | 第34页 |
| 3.2.2 用WEKA建立多元线性回归模型 | 第34-39页 |
| 3.2.3 多元线性回归模型的检验 | 第39-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 神经网络在农作物产量预测中的应用 | 第45-64页 |
| 4.1 神经网络基本原理 | 第45-51页 |
| 4.1.1 人工神经网络概述 | 第45页 |
| 4.1.2 人工神经网络基本构成 | 第45-50页 |
| 4.1.3 人工神经网络学习规则 | 第50-51页 |
| 4.2 BP神经网络 | 第51-55页 |
| 4.2.1 信息的正向传播 | 第52-53页 |
| 4.2.2 误差的反向传播 | 第53-54页 |
| 4.2.3 BP算法的改进 | 第54-55页 |
| 4.3 基于ANN的产量预测模型的构建 | 第55-63页 |
| 4.3.2 ANN结构的设计及训练参数的选取 | 第56-59页 |
| 4.3.3 用WEKA建立ANN模型 | 第59-60页 |
| 4.3.4 人工神经网络模型的检验 | 第60-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 支持向量机在农作物产量预测中的应用 | 第64-84页 |
| 5.1 支持向量机原理 | 第64-73页 |
| 5.1.1 线性支持向量机分类原理 | 第64-68页 |
| 5.1.2 非线性支持向量机分类原理 | 第68-71页 |
| 5.1.3 支持向量机回归原理 | 第71-73页 |
| 5.2 求解二次规划问题的算法 | 第73-75页 |
| 5.3 基于SVM的产量预测模型的构建 | 第75-82页 |
| 5.3.1 实验环境 | 第76页 |
| 5.3.2 用WEKA建立SVM模型 | 第76-79页 |
| 5.3.3 SVM模型的检验 | 第79-82页 |
| 5.4 本章小结 | 第82-84页 |
| 第六章 三种预测方法的比较分析 | 第84-89页 |
| 6.1 各模型检验结果的比较分析 | 第84-87页 |
| 6.1.1 训练结果比较 | 第84-86页 |
| 6.1.2 预测结果比较 | 第86-87页 |
| 6.2 各模型理论比较分析 | 第87-88页 |
| 6.3 本章小结 | 第88-89页 |
| 第七章 总结与展望 | 第89-91页 |
| 7.1 本文总结 | 第89-90页 |
| 7.2 对未来研究工作的展望 | 第90-91页 |
| 致谢 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 读研期间获得的成果 | 第96-97页 |
