| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1. 第一章 绪论 | 第9-14页 |
| 1.1. 研究背景和意义 | 第9页 |
| 1.2. 近红外光谱分析技术 | 第9-11页 |
| 1.3. 化学计量学 | 第11-13页 |
| 1.4. 近红外光谱分析技术的研究现状 | 第13页 |
| 1.5. 本文的主要研究内容 | 第13-14页 |
| 2. 第二章 支持向量机 | 第14-25页 |
| 2.1. 统计学习理论 | 第14-17页 |
| 2.1.1. 经验风险最小 | 第14-15页 |
| 2.1.2. VC维理论 | 第15-16页 |
| 2.1.3. 结构风险最小化原则 | 第16-17页 |
| 2.2. 支持向量机原理 | 第17-25页 |
| 2.2.1. 线性可分问题 | 第17-20页 |
| 2.2.2. 非线性可分问题 | 第20页 |
| 2.2.3. 多分类问题 | 第20-23页 |
| 2.2.4. 核函数 | 第23-24页 |
| 2.2.5. 支持向量机回归模型 | 第24-25页 |
| 3. 第三章 基于智能算法的支持向量机参数优化 | 第25-30页 |
| 3.1. 人工选择法 | 第26页 |
| 3.2. 网格搜索法 | 第26-27页 |
| 3.3. 遗传算法 | 第27-28页 |
| 3.4. 粒子群算法 | 第28-30页 |
| 4. 第四章 木材近红外光谱采集及数据预处理 | 第30-36页 |
| 4.1. 桉木木质素及近红外光谱采集 | 第30-32页 |
| 4.1.1. 桉木木质素采集 | 第30-31页 |
| 4.1.2. 近红外光谱数据采集 | 第31-32页 |
| 4.2. 木材近红外光谱特征提取 | 第32-36页 |
| 4.2.1. 移动平均平滑法 | 第32-33页 |
| 4.2.2. 主成分分析法 | 第33-36页 |
| 5. 第五章 应用粒子群支持向量机预测桉树木质素含量 | 第36-39页 |
| 5.1. 粒子群支持向量机回归模型的建立 | 第36页 |
| 5.2. 回归模型的评价参数 | 第36-37页 |
| 5.3. 结果与讨论 | 第37-39页 |
| 6. 第六章 智能算法优化支持向量机木材树种识别研究 | 第39-48页 |
| 6.1. 数据采集与预处理 | 第39页 |
| 6.2. 基于支持向量机的树种二分类模型 | 第39-42页 |
| 6.2.1. 不同科的树种二分类(桉树和杨树) | 第39-40页 |
| 6.2.2. 同科不同属的树种二分类(落叶松和马尾松) | 第40-41页 |
| 6.2.3. 同属不同种的树种二分类(樟子松和马尾松) | 第41-42页 |
| 6.3. 基于支持向量机的多树种识别模型 | 第42-48页 |
| 6.3.1. 基于网格搜索法的支持向量机树种识别模型 | 第42-44页 |
| 6.3.2. 基于遗传算法的支持向量机树种识别模型 | 第44-46页 |
| 6.3.3. 基于粒子群算法的支持向量机树种识别模型 | 第46-48页 |
| 7. 第七章 结论和创新 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 个人简介 | 第53-54页 |
| 导师简介 | 第54-55页 |
| 获得成果目录 | 第55-56页 |
| 致谢 | 第56-57页 |
| 附录 | 第57-71页 |
