| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 国外现状 | 第14-15页 |
| 1.2.2 国内现状 | 第15-16页 |
| 1.3 本文研究内容 | 第16-18页 |
| 1.4 本章总结 | 第18-19页 |
| 第二章 茶园信息的预处理 | 第19-33页 |
| 2.1 数据采集 | 第19-22页 |
| 2.1.1 样本数据预处理的必要性 | 第19-20页 |
| 2.1.2 实验数据 | 第20-22页 |
| 2.2 数据预处理 | 第22-25页 |
| 2.2.1 误差消除 | 第22页 |
| 2.2.2 小波降噪 | 第22-24页 |
| 2.2.3 平滑处理 | 第24-25页 |
| 2.3 实验结果与分析 | 第25-31页 |
| 2.4 本章总结 | 第31-33页 |
| 第三章 神经网络模型 | 第33-41页 |
| 3.1 BP神经网络模型概述 | 第33-35页 |
| 3.2 BP神经网络模型 | 第35-37页 |
| 3.2.1 网络计算过程函数 | 第35-36页 |
| 3.2.2 BP神经网络模型参数选择 | 第36-37页 |
| 3.3 优化的神经网络模型 | 第37-38页 |
| 3.4 BP神经网络预测模型的训练过程 | 第38-39页 |
| 3.5 试验结果与分析 | 第39-40页 |
| 3.6 本章总结 | 第40-41页 |
| 第四章 茶园土壤墒情预测方法的研究 | 第41-51页 |
| 4.1 基于神经网络模型的茶园土壤墒情预测 | 第41-43页 |
| 4.1.1 BP神经网络的优点和缺点 | 第41页 |
| 4.1.2 实验数据分析 | 第41-43页 |
| 4.2 基于LM优化神经网络模型的茶园土壤墒情预测 | 第43-47页 |
| 4.2.1 L-M算法优化神经网络 | 第43-45页 |
| 4.2.2 LM算法的计算步骤 | 第45-46页 |
| 4.2.3 实验数据分析 | 第46-47页 |
| 4.3 基于ARX模型的与LM优化神经网络模型预测的比较研究 | 第47-48页 |
| 4.3.1 模型参数选择 | 第47-48页 |
| 4.3.2 模型结构辨识 | 第48页 |
| 4.4 预测结果的比较 | 第48-50页 |
| 4.5 预测结果的分析 | 第50页 |
| 4.6 本章总结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 本文总结 | 第51页 |
| 5.2 工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |