| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 研究现状分析 | 第16-19页 |
| 1.2.1 光环境研究现状 | 第16-17页 |
| 1.2.2 试验数据的挖掘及处理 | 第17-19页 |
| 1.3 目前存在的问题 | 第19页 |
| 1.4 本文的研究目标和研究内容 | 第19-22页 |
| 1.4.1 研究目标 | 第19-20页 |
| 1.4.2 研究内容 | 第20-22页 |
| 第二章 面向自适应数据处理的非线性傅里叶分析方法 | 第22-44页 |
| 2.1 引言 | 第22-23页 |
| 2.2 理论基础 | 第23-24页 |
| 2.3 非线性 Fourier 展开 | 第24-29页 |
| 2.4 快速稀疏非线性 Fourier 展开 | 第29-34页 |
| 2.5 算法与算例 | 第34-41页 |
| 2.5.1 算法 | 第34-37页 |
| 2.5.2 算例 | 第37-39页 |
| 2.5.3 算法应用 | 第39-41页 |
| 2.6 本章小结 | 第41-44页 |
| 第三章 基于机器学习的模式识别理论 | 第44-58页 |
| 3.1 引言 | 第44页 |
| 3.2 模式识别理论基础 | 第44-46页 |
| 3.2.1 模式识别概述 | 第44-45页 |
| 3.2.2 模型预测方法 | 第45-46页 |
| 3.3 偏最小二乘（PLS）方法 | 第46-53页 |
| 3.3.1 机器学习的理论基础 | 第46-48页 |
| 3.3.2 偏最小二乘（PLS）方法 | 第48-53页 |
| 3.4 自适应神经模糊推理（ANFIS）方法 | 第53-57页 |
| 3.4.1 智能计算方法 | 第53页 |
| 3.4.2 自适应神经模糊推理（ANFIS）方法 | 第53-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 林下参种植光环境动态预测模型研究 | 第58-86页 |
| 4.1 引言 | 第58页 |
| 4.2 试验地点与试验方法 | 第58-59页 |
| 4.2.1 试验地点 | 第58-59页 |
| 4.2.2 试验方法及仪器设备 | 第59页 |
| 4.3 红松的树木生长模型研究 | 第59-66页 |
| 4.3.1 红松冠幅生长预估模型 | 第59-62页 |
| 4.3.2 红松冠长生长预估模型 | 第62-65页 |
| 4.3.3 红松单木基本树高预估模型 | 第65-66页 |
| 4.4 林下参净光合速率预测模型研究 | 第66-83页 |
| 4.4.1 基于 PLS 的净光合速率预测模型 | 第70-81页 |
| 4.4.2 基于 ANFIS 的净光合速率预测模型 | 第81-83页 |
| 4.5 模型的检验 | 第83-84页 |
| 4.6 本章小结 | 第84-86页 |
| 第五章 林下参种植光环境数据采集系统 | 第86-100页 |
| 5.1 引言 | 第86页 |
| 5.2 系统的软件体系 | 第86-91页 |
| 5.3 系统的硬件架构 | 第91-98页 |
| 5.4 本章小结 | 第98-100页 |
| 第六章 林下参种植光环境预测及评价方法研究 | 第100-120页 |
| 6.1 引言 | 第100页 |
| 6.2 林下参种植光环境预测与评价方法 | 第100-111页 |
| 6.2.1 林下参种植光环境的预测 | 第100-101页 |
| 6.2.2 林下参种植光环境的评价 | 第101页 |
| 6.2.3 基于模糊推理系统的光环境综合评价模型 | 第101-111页 |
| 6.3 林下参种植光环境预测与评价系统体系结构 | 第111-119页 |
| 6.3.1 预测模块 | 第112-113页 |
| 6.3.2 评价模块 | 第113-118页 |
| 6.3.3 帮助模块 | 第118-119页 |
| 6.4 本章小结 | 第119-120页 |
| 第七章 结论与展望 | 第120-122页 |
| 7.1 本文研究结论 | 第120-121页 |
| 7.2 本文创新点 | 第121页 |
| 7.3 下一步研究展望 | 第121-122页 |
| 参考文献 | 第122-130页 |
| 博士期间发表的学术论文及其他成果 | 第130-132页 |
| 致谢 | 第132页 |