| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 论文的研究背景与意义 | 第11-13页 |
| 1.2 国内外研究历史与现状 | 第13-15页 |
| 1.3 论文结构安排和研究的内容 | 第15-16页 |
| 第二章 数据处理方法的基本理论 | 第16-24页 |
| 2.1 希尔伯特-黄变换（HHT）理论 | 第16-22页 |
| 2.1.1 经验模态分解(EMD)基本概念 | 第16页 |
| 2.1.2 EMD基本算法 | 第16-18页 |
| 2.1.3 EMD算法面临的问题 | 第18-19页 |
| 2.1.4 EEMD（Ensemble Empirical Mode Decomposition）算法 | 第19-20页 |
| 2.1.5 希尔伯特变换 | 第20-22页 |
| 2.2 HHT的优势 | 第22-23页 |
| 2.2.1 HHT能够处理非线性、非平稳信号 | 第22页 |
| 2.2.2 HHT具有自适应性 | 第22-23页 |
| 2.2.3 HHT不受Heisenberg测不准原理的制约 | 第23页 |
| 2.2.4 频率求解方法 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 机器学习的基本理论 | 第24-34页 |
| 3.1 线性回归 | 第24页 |
| 3.2 人工神经网络理论 | 第24-28页 |
| 3.2.1 人工神经元 | 第25-26页 |
| 3.2.2 网络拓扑 | 第26页 |
| 3.2.3 训练方法 | 第26-28页 |
| 3.3 支持向量机理论 | 第28-31页 |
| 3.3.1 支持向量机基本定义 | 第28-29页 |
| 3.3.2 支持向量推理过程 | 第29-30页 |
| 3.3.3 松弛变量 | 第30-31页 |
| 3.3.4 核函数 | 第31页 |
| 3.4 支持向量回归机原理 | 第31-32页 |
| 3.5 数据预处理 | 第32-33页 |
| 3.5.1 自相关函数 | 第32-33页 |
| 3.5.2 偏自相关函数 | 第33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 数据基于时间-空间的相关性分析 | 第34-55页 |
| 4.1 基于无线传感器网络（WSN）的农业物联网系统 | 第34-35页 |
| 4.2 数据基本信息 | 第35-46页 |
| 4.2.1 地理信息 | 第35-37页 |
| 4.2.2 数据的基本特征 | 第37-39页 |
| 4.2.3 数据的分解及周期分析 | 第39-46页 |
| 4.3 不同类型数据间的时间相关性分析 | 第46-52页 |
| 4.3.1 土壤表面温度与光量子各分量间的时间相关性 | 第47-48页 |
| 4.3.2 土壤湿度与土壤表面温度各分量间的时间相关性 | 第48-50页 |
| 4.3.3 土壤湿度与光量子各分量间的时间相关性 | 第50-52页 |
| 4.4 同类型数据的空间相关性分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 机器学习在决策系统中的应用 | 第55-74页 |
| 5.1 数据基本信息 | 第55-60页 |
| 5.1.2 地理信息 | 第56页 |
| 5.1.3 数据的基本特征 | 第56-57页 |
| 5.1.4 数据的分解及周期分析 | 第57-59页 |
| 5.1.5 能量频谱分析 | 第59-60页 |
| 5.2 输入变量选取 | 第60-62页 |
| 5.3 模型总体框架 | 第62-64页 |
| 5.4 基于EEMD的机器学习模型构建 | 第64-66页 |
| 5.4.1 人工神经网络的应用 | 第64-65页 |
| 5.4.2 支持向量回归机的应用 | 第65-66页 |
| 5.5 模型性能评估 | 第66-71页 |
| 5.6 混合新模型 | 第71-73页 |
| 5.7 本章小结 | 第73-74页 |
| 第六章 全文总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74-75页 |
| 6.2 后续工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 读研期间获得的成果 | 第81-82页 |
