| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 土壤含水量反演技术的发展现状 | 第11-16页 |
| 1.3 本文的主要创新 | 第16-17页 |
| 1.4 本文的主要贡献 | 第17页 |
| 1.5 本论文的结构安排 | 第17-19页 |
| 第二章 土壤分类算法中基础算法结构 | 第19-43页 |
| 2.1 模糊逻辑系统 | 第19-25页 |
| 2.1.1 单点一型模糊逻辑 | 第19-21页 |
| 2.1.2 非单点一型模糊逻辑系统 | 第21-23页 |
| 2.1.3 自适应网络模糊推理系统 | 第23-25页 |
| 2.2 机器学习 | 第25-35页 |
| 2.2.1 人工神经网络 | 第25-31页 |
| 2.2.2 主成分分析 | 第31-32页 |
| 2.2.3 随机森林 | 第32-35页 |
| 2.3 深度学习 | 第35-39页 |
| 2.3.1 卷积神经网络 | 第35-37页 |
| 2.3.2 深度学习框架AlexNet | 第37-39页 |
| 2.3.3 深度学习框架VGGNet | 第39页 |
| 2.4 时频分析 | 第39-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 土壤含水量试验数据采集方法 | 第43-47页 |
| 3.1 试验仪器介绍 | 第43-45页 |
| 3.2 土壤信号采集试验步骤 | 第45-46页 |
| 3.3 试验数据整理 | 第46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 土壤含水量分类算法流程和系统结构 | 第47-57页 |
| 4.1 基于FLS预测模板匹配的土壤含水量分类算法 | 第47-52页 |
| 4.1.1 土壤雷达回波预处理 | 第48-49页 |
| 4.1.2 FLS制作预测模板 | 第49-51页 |
| 4.1.3 土壤模板匹配识别 | 第51-52页 |
| 4.2 基于FLS特征提取与机器学习模型分类的土壤含水量分类算法 | 第52-54页 |
| 4.2.1 土壤雷达回波预处理 | 第53页 |
| 4.2.2 FLS提取土壤信号特征 | 第53-54页 |
| 4.2.3 机器学习算法分类土壤信号特征 | 第54页 |
| 4.3 基于时频分析图像和深度学习的土壤含水量分类算法 | 第54-56页 |
| 4.3.1 生成时频分析图像 | 第56页 |
| 4.3.2 深度学习算法 | 第56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 土壤含水量实测数据分类识别 | 第57-69页 |
| 5.1 基于FLS预测模板匹配的土壤含水量分类算法 | 第58-61页 |
| 5.2 基于自适应模糊推理的超宽带土壤信号含水量分类算法 | 第61-64页 |
| 5.3 基于时频分析图像和深度学习的土壤含水量分类算法 | 第64-66页 |
| 5.4 不同土壤含水量分类算法对比 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 全文总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 后续工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |
