| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 第一章 绪论 | 第13-22页 |
| ·研究背景 | 第13-15页 |
| ·国内外相关技术研究进展 | 第15-18页 |
| ·逐步回归分析方法 | 第15-16页 |
| ·人工神经网络技术 | 第16-17页 |
| ·时态GIS技术 | 第17-18页 |
| ·本文的研究思路 | 第18-19页 |
| ·本文的主要研究内容和创新点 | 第19-20页 |
| ·本论文的组织结构 | 第20-22页 |
| 第二章 方法与技术基础 | 第22-33页 |
| ·逐步回归分析方法 | 第22-23页 |
| ·逐步回归分析方法的基本思想 | 第22页 |
| ·逐步回归分析方法的计算步骤 | 第22-23页 |
| ·聚类分析方法 | 第23-25页 |
| ·聚类分析方法的基本思想 | 第23页 |
| ·聚类分析算法的计算步骤 | 第23-24页 |
| ·聚类分析方法的结果评价方法 | 第24-25页 |
| ·主成分分析方法 | 第25-28页 |
| ·主成分分析方法的基本思想 | 第25页 |
| ·主成分分析方法的计算步骤 | 第25-28页 |
| ·人工神经网络技术 | 第28-31页 |
| ·BP人工神经网络的算法思想 | 第28-30页 |
| ·BP人工神经网络的算法步骤 | 第30-31页 |
| ·时态GIS技术 | 第31-33页 |
| ·时态GIS技术 | 第31-32页 |
| ·时空数据模型 | 第32-33页 |
| 第三章 基于逐步回归分析的农作物害虫发生预测模型的构建 | 第33-43页 |
| ·引言 | 第33页 |
| ·基于逐步回归分析的农作物害虫发生预测模型的算法实现 | 第33-34页 |
| ·算法思想 | 第33页 |
| ·算法实现 | 第33-34页 |
| ·基于逐步回归分析的三化螟发生预测模型的实现 | 第34-38页 |
| ·基于逐步回归分析的斑潜蝇发生预测模型的实现 | 第38-41页 |
| ·讨论 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于PCA/BPANN的农作物害虫发生预测模型的构建 | 第43-64页 |
| ·引言 | 第43页 |
| ·基于PCA/BPANN的农作物害虫发生预测模型的算法实现 | 第43-48页 |
| ·算法思想 | 第44-45页 |
| ·算法实现 | 第45-48页 |
| ·基于PCA/BPANN的斑潜蝇发生预测模型的实现 | 第48-56页 |
| ·基于PCA/BPANN的三化螟发生预测模型的实现 | 第56-61页 |
| ·讨论 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第五章 基于时态GIS的农作物害虫发生信息预测研究 | 第64-81页 |
| ·引言 | 第64-65页 |
| ·农作物害虫发生信息预测系统的时空数据模型初步研究 | 第65-70页 |
| ·农作物害虫发生的时空特性 | 第65-66页 |
| ·农田地块时空特性研究 | 第66-67页 |
| ·基于图论的农田地块时空信息表达 | 第67-69页 |
| ·基于图论的农田地块时空数据结构设计 | 第69-70页 |
| ·基于时态GIS的农作物害虫发生信息预测系统方案研究 | 第70-79页 |
| ·系统总体设计 | 第70-74页 |
| ·系统功能设计 | 第74-75页 |
| ·空间数据库设计 | 第75-77页 |
| ·开发和运行环境 | 第77-79页 |
| ·讨论 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第六章 结论与展望 | 第81-84页 |
| ·结论 | 第81-83页 |
| ·展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-91页 |
| 在学期间的研究成果 | 第91-93页 |
