基于BP神经网络的太湖叶绿素浓度反演
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 叶绿素反演算法综述 | 第10-11页 |
| 1.2.2 国外研究进展 | 第11页 |
| 1.2.3 国内研究进展 | 第11-12页 |
| 1.3 研究内容与技术路线 | 第12-13页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 技术路线 | 第12-13页 |
| 1.4 论文章节安排 | 第13-15页 |
| 第二章 实验区与数据预处理 | 第15-30页 |
| 2.1 实验区概况 | 第15-16页 |
| 2.1.1 太湖自然状况 | 第15页 |
| 2.1.2 太湖水质污染状况 | 第15-16页 |
| 2.2 水体光学特性 | 第16-21页 |
| 2.2.1 表现光学特性 | 第16-17页 |
| 2.2.2 固有光学特性 | 第17-18页 |
| 2.2.3 水体表现光学特性的测量 | 第18-20页 |
| 2.2.4 水体固有光学特性的测量 | 第20-21页 |
| 2.3 实测数据获取 | 第21-24页 |
| 2.3.1 实测数据采样点选取 | 第21页 |
| 2.3.2 水面实测光谱数据 | 第21-24页 |
| 2.4 MERIS数据获取与预处理 | 第24-29页 |
| 2.4.1 MERIS介绍 | 第24-25页 |
| 2.4.2 MERIS数据预处理流程 | 第25-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 神经网络算法研究 | 第30-46页 |
| 3.1 人工神经网络的基本概念 | 第30-35页 |
| 3.1.1 人工神经网络的发展 | 第30页 |
| 3.1.2 人工神经网络模型 | 第30-34页 |
| 3.1.3 神经网络的学习 | 第34-35页 |
| 3.1.4 人工神经网络的特点 | 第35页 |
| 3.2 BP神经网络模型 | 第35-40页 |
| 3.2.1 BP神经网络的结构 | 第36-37页 |
| 3.2.2 BP神经网络算法原理 | 第37-40页 |
| 3.2.3 BP神经网络的特点 | 第40页 |
| 3.3 神经网络模型建模要素 | 第40-45页 |
| 3.3.1 训练数据预处理 | 第40-42页 |
| 3.3.2 数据过拟合问题 | 第42-44页 |
| 3.3.3 BP神经网络算法的工作流程 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 BP神经网络模型构建与验证 | 第46-62页 |
| 4.1 Matlab中神经网络工具箱的介绍 | 第46-48页 |
| 4.2 基于BP神经网络模型的叶绿素浓度反演 | 第48-60页 |
| 4.2.1 实验数据规划 | 第48-49页 |
| 4.2.2 BP神经网络结构的设计 | 第49-55页 |
| 4.2.3 输入数据归一化预处理 | 第55-57页 |
| 4.2.4 BP神经网络模型构建 | 第57-60页 |
| 4.3 仿真结果与结论 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 BP神经网络模型优化与分析 | 第62-71页 |
| 5.1 遗传算法的原理 | 第62-63页 |
| 5.1.1 遗传算法的基本原理 | 第62-63页 |
| 5.1.2 遗传算法的基本操作 | 第63页 |
| 5.2 基于遗传算法优化模型的建立 | 第63-66页 |
| 5.2.1 算法流程 | 第63-65页 |
| 5.2.2 遗传算法的实现 | 第65-66页 |
| 5.3 仿真与分析 | 第66-70页 |
| 5.3.1 仿真结果 | 第66-67页 |
| 5.3.2 优化前后对比分析 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第77-78页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第78-79页 |
| 致谢 | 第79页 |
