| 摘要 | 第6-8页 |
| abstract | 第8-10页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 作物低温胁迫研究现状 | 第15-16页 |
| 1.2.2 日光温室温度预测模型研究现状 | 第16-17页 |
| 1.2.3 温室卷帘机控制研究现状 | 第17-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.4 研究方法与技术路线 | 第19-20页 |
| 1.5 论文组织结构 | 第20-23页 |
| 第二章 试验平台搭建及数据预处理 | 第23-41页 |
| 2.1 需求分析与整体设计 | 第23-25页 |
| 2.1.1 黄瓜生长的温光边界条件 | 第23-24页 |
| 2.1.2 整体研究方案 | 第24-25页 |
| 2.2 试验平台搭建及预试验 | 第25-29页 |
| 2.2.1 试验环境条件 | 第25-26页 |
| 2.2.2 环境监测及控制系统 | 第26-27页 |
| 2.2.3 确定试验条件预试验 | 第27-29页 |
| 2.3 试验方案设计 | 第29-32页 |
| 2.3.1 试验对象 | 第29-30页 |
| 2.3.2 试验方法 | 第30-31页 |
| 2.3.3 试验操作记录 | 第31-32页 |
| 2.4 试验数据预处理 | 第32-38页 |
| 2.4.1 试验数据平滑滤波 | 第33-36页 |
| 2.4.2 试验数据相关性分析 | 第36-38页 |
| 2.4.3 试验数据归一化 | 第38页 |
| 2.4.4 试验数据预处理结论 | 第38页 |
| 2.5 本章小结 | 第38-41页 |
| 第三章 日光温室室内实时温度预测模型 | 第41-53页 |
| 3.1 室内实时温度预测模型建立 | 第41-49页 |
| 3.1.1 NARX神经网络介绍 | 第41-42页 |
| 3.1.2 基于NARX神经网络的室内实时温度预测模型建立 | 第42-46页 |
| 3.1.3 NARX神经网络预测结果分析 | 第46-49页 |
| 3.2 早晨揭被时刻决策模型 | 第49-52页 |
| 3.2.1 基于NARX神经网络的室内实时温度预测模型修正 | 第49-50页 |
| 3.2.2 揭被决策算法设计 | 第50-51页 |
| 3.2.3 揭被决策模型验证 | 第51-52页 |
| 3.3 本章小结 | 第52-53页 |
| 第四章 日光温室室内夜间最低温预测模型 | 第53-65页 |
| 4.1 室内夜间最低温预测模型建立 | 第53-61页 |
| 4.1.1 基于SVR的室内夜间最低温预测算法设计 | 第53-56页 |
| 4.1.2 基于SVR的室内夜间最低温预测模型建立 | 第56-60页 |
| 4.1.3 SVR预测模型结果分析 | 第60-61页 |
| 4.2 盖被决策模型 | 第61-63页 |
| 4.2.1 基于SVR的室内夜间最低温预测模型修正 | 第61页 |
| 4.2.2 盖被决策算法设计 | 第61-62页 |
| 4.2.3 盖被决策模型验证 | 第62-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第五章 卷帘智能控制方法设计与试验验证 | 第65-73页 |
| 5.1 卷帘智能控制方法设计 | 第65-66页 |
| 5.2 验证试验 | 第66-71页 |
| 5.2.1 验证试验 | 第66-67页 |
| 5.2.2 验证指标 | 第67-69页 |
| 5.2.3 验证结果 | 第69-71页 |
| 5.3 章节小结 | 第71-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 6.1 结论 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81页 |
