基于BP神经网络的杉木林蓄积量估测方法研究
| 中文摘要 | 第1-3页 |
| Abstract | 第3-5页 |
| 中文文摘 | 第5-7页 |
| 目录 | 第7-9页 |
| 绪论 | 第9-19页 |
| 1 研究背景与意义 | 第9-10页 |
| 2 国内外研究进展 | 第10-15页 |
| ·3S技术应用于森林蓄积量估测的研究 | 第10-11页 |
| ·高分辨率遥感影像应用于森林蓄积量估测的研究 | 第11-13页 |
| ·森林蓄积量估测方法研究现状与趋势 | 第13-15页 |
| 3 论文研究内容与基本框架 | 第15-19页 |
| ·研究思路 | 第15-16页 |
| ·研究内容 | 第16-17页 |
| ·基本框架 | 第17-19页 |
| 第一章 研究区基础数据获取与处理 | 第19-33页 |
| 1 研究区域概况 | 第19页 |
| 2 基础数据收集与处理 | 第19-24页 |
| ·遥感数据预处理 | 第19-22页 |
| ·波段比值与相关植被指数提取 | 第22-24页 |
| 3 地形数据 | 第24-26页 |
| 4 野外调查资料 | 第26-33页 |
| 第二章 因子分析及优化 | 第33-41页 |
| 1 因子优选分析法介绍 | 第33-35页 |
| ·岭迹分析法原理 | 第33-34页 |
| ·逐步回归法原理 | 第34-35页 |
| 2 实例分析 | 第35-41页 |
| ·数据标准化与多重相关性分析 | 第35-36页 |
| ·岭迹分析法实例分析 | 第36-37页 |
| ·逐步回归法实例分析 | 第37-41页 |
| 第三章 基于人工神经网络的预测模型构建与优化 | 第41-61页 |
| 1 人工神经网络原理 | 第41-44页 |
| ·人工神经元 | 第41-42页 |
| ·人工神经网络的学习方式与模型分类 | 第42-44页 |
| 2 BP神经网络 | 第44-47页 |
| ·BP神经网络结构 | 第44-45页 |
| ·BP神经网络学习算法 | 第45-46页 |
| ·BP神经网络模型训练仿真流程图 | 第46-47页 |
| 3 基于BP人工神经网络预测模型的优化 | 第47-57页 |
| ·数据标准化处理 | 第48-49页 |
| ·BP神经网络预测模型优化 | 第49-57页 |
| 4 构建BP神经网络预测模型 | 第57-59页 |
| ·网络模型参数值确定 | 第57-58页 |
| ·基于BP神经网络预测方法的Matlab编程实现 | 第58-59页 |
| 5 BP神经网络预测模型精度评估 | 第59-60页 |
| 6 本章小结 | 第60-61页 |
| 第四章 偏最小二乘回归模型构建 | 第61-67页 |
| 1 偏最小二乘回归基础方法 | 第61-63页 |
| ·偏最小二乘回归基本原理 | 第62-63页 |
| 2 基于PLS回归的杉木林蓄积量模型构建与预测 | 第63-65页 |
| ·线性回归模型构建 | 第63-65页 |
| 3 模型预测精度评估 | 第65-66页 |
| 4 本章小结 | 第66-67页 |
| 第五章 结论与展望 | 第67-69页 |
| 1 结论 | 第67-68页 |
| 2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读学位期间承担的科研任务与主要成果 | 第75-77页 |
| 致谢 | 第77-79页 |
| 个人简历 | 第79-81页 |
