| 摘要 | 第1-8页 |
| Abstract | 第8-16页 |
| 第一章 绪论 | 第16-22页 |
| ·机器学习背景 | 第16-17页 |
| ·支持向量机简介 | 第17-18页 |
| ·林下参光环境研究现状 | 第18-20页 |
| ·相关研究存在的问题 | 第20页 |
| ·本文研究目标和研究内容 | 第20-21页 |
| ·研究目标 | 第20页 |
| ·研究内容 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第二章 核函数 | 第22-52页 |
| ·引言 | 第22页 |
| ·最优分类超平面理论 | 第22-28页 |
| ·线性可分情况 | 第22-26页 |
| ·非线性可分情况 | 第26-28页 |
| ·相似程度与内积 | 第28-31页 |
| ·相似程度概述 | 第28页 |
| ·两点相似程度与内积关系 | 第28-29页 |
| ·三点相似程度与内积关系 | 第29-31页 |
| ·线性分类机与内积关系 | 第31页 |
| ·核函数的引入 | 第31-35页 |
| ·二次分划问题 | 第31-33页 |
| ·核函数原理 | 第33-35页 |
| ·常见核函数与性能分析 | 第35-40页 |
| ·常见核函数 | 第35页 |
| ·常见核函数的性能分析 | 第35-40页 |
| ·核函数的构造与性能分析 | 第40-50页 |
| ·核函数的构造 | 第40-42页 |
| ·构造核函数的性能分析 | 第42-50页 |
| ·本章小结 | 第50-52页 |
| 第三章 仿生智能优化算法 | 第52-66页 |
| ·引言 | 第52页 |
| ·进化类算法 | 第52-56页 |
| ·进化型算法介绍 | 第52-54页 |
| ·遗传算法 | 第54-56页 |
| ·群智能算法 | 第56-58页 |
| ·群智能算法介绍 | 第56页 |
| ·粒子群算法 | 第56-57页 |
| ·追踪算法 | 第57-58页 |
| ·三种算法性能比较 | 第58-64页 |
| ·寻找 Needle-in-a-haystack 函数的全局最优解 | 第58-61页 |
| ·寻找 Schaffer 函数的全局最优解 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第四章 林下参光照强度实时监控系统构建 | 第66-74页 |
| ·引言 | 第66页 |
| ·林下光照强度实时监控系统构建 | 第66-73页 |
| ·光照强度测定方法 | 第67-68页 |
| ·主机与从机接口 | 第68-69页 |
| ·主机与上位机接口 | 第69页 |
| ·系统数据传输可靠性分析 | 第69-70页 |
| ·从机不同分布对光照强度测试结果影响分析 | 第70-71页 |
| ·多套单个主机、10 个从机组成的系统组合分析 | 第71页 |
| ·上位机控制光照强度测定分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 林下参净光合速率预测模型 | 第74-88页 |
| ·引言 | 第74页 |
| ·光谱测定 | 第74-75页 |
| ·净光合速率影响因素分析与数据处理 | 第75-76页 |
| ·支持向量机建模 | 第76-77页 |
| ·参数寻优 | 第77页 |
| ·试验结果分析 | 第77-87页 |
| ·本章小结 | 第87-88页 |
| 第六章 核函数组合优化光合有效辐射预测模型 | 第88-102页 |
| ·引言 | 第88页 |
| ·数据测定 | 第88-89页 |
| ·数据处理 | 第89-90页 |
| ·支持向量机建模 | 第90页 |
| ·试验结果分析 | 第90-100页 |
| ·本章小结 | 第100-102页 |
| 第七章 结论与展望 | 第102-106页 |
| ·本文研究结论 | 第102-104页 |
| ·本文创新点 | 第104页 |
| ·下一步研究展望 | 第104-106页 |
| 参考文献 | 第106-114页 |
| 博士期间发表的学术论文及取得的学术成果 | 第114-116页 |
| 导师及作者简介 | 第116-118页 |
| 致谢 | 第118-119页 |