| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-23页 |
| ·选题的背景与意义 | 第13-14页 |
| ·精准农业(Precision Agriculture,PA)概念和内涵 | 第14-15页 |
| ·精准农业问题中涉及到的智能处理技术 | 第15-16页 |
| ·精准农业的研究对象及降维需求 | 第16-18页 |
| ·国内外精准农业的发展现状 | 第18-19页 |
| ·论文的组织结构 | 第19-21页 |
| ·论文的主要创新点 | 第21-23页 |
| 第二章 局部线性嵌入与流形学习 | 第23-49页 |
| ·降维问题的提出 | 第23-25页 |
| ·数据降维的数学描述 | 第25-27页 |
| ·线性降维 | 第26-27页 |
| ·非线性降维 | 第27页 |
| ·流形方法的应用 | 第27-28页 |
| ·流形学习的相关数学概念 | 第28-32页 |
| ·拓扑和拓扑结构 | 第29页 |
| ·流形的数学定义 | 第29-32页 |
| ·流形学习概述 | 第32-41页 |
| ·流形学习的物理意义 | 第32-34页 |
| ·流形学习的基本假设 | 第34-35页 |
| ·局部线性嵌入算法(LLE) | 第35-37页 |
| ·其他常用流形算法 | 第37-41页 |
| ·等距映射(ISOMAP) | 第37-38页 |
| ·Laplacian特征映射(LE) | 第38-39页 |
| ·局部切空间排列(LTSA) | 第39-41页 |
| ·局部线性嵌入与其他流形学习方法降维效果比较 | 第41-44页 |
| ·局部线性嵌入存在的问题 | 第44-48页 |
| ·本征维数估计 | 第44-45页 |
| ·近邻数选择 | 第45-46页 |
| ·噪声的影响 | 第46-47页 |
| ·样本外点的学习 | 第47-48页 |
| ·监督学习 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第三章 基于监督局部线性嵌入的叶片识别算法 | 第49-81页 |
| ·机器学习 | 第49-50页 |
| ·机器学习的主要类型 | 第50-52页 |
| ·非监督学习 | 第50-51页 |
| ·监督学习 | 第51页 |
| ·半监督学习 | 第51页 |
| ·监督流形学习问题 | 第51-52页 |
| ·监督局部线性嵌入算法研究现状 | 第52-53页 |
| ·局部线性嵌入详解 | 第53-56页 |
| ·确立邻域 | 第53-54页 |
| ·计算重构权值矩阵 | 第54-55页 |
| ·低维嵌入计算 | 第55-56页 |
| ·基于FISHER准则的监督局部线性嵌入算法 | 第56-64页 |
| ·LLE算法分类能力差的缺陷以及改进的目标 | 第56-59页 |
| ·Fisher判别分析 | 第59-62页 |
| ·Fisher判别的发展 | 第59页 |
| ·Fisher判别的基本概念 | 第59-62页 |
| ·基于Fisher准则的监督局部线性嵌入(FS-LLE)算法 | 第62-64页 |
| ·加权局部线性嵌入算法(WLLE) | 第63-64页 |
| ·基于Fisher准则的监督LLE算法 | 第64页 |
| ·实验分析 | 第64-73页 |
| ·聚类性能可视化分析 | 第65-70页 |
| ·分类实验 | 第70-73页 |
| ·分类算法 | 第73-79页 |
| ·常用分类算法 | 第73-77页 |
| ·基于FS-LLE的流形分类算法 | 第77-79页 |
| ·本章小结 | 第79-81页 |
| 第四章 基于自适应局部线性嵌入的叶片识别算法 | 第81-95页 |
| ·近邻结构构成方法 | 第81-83页 |
| ·常用的距离测度 | 第81-82页 |
| ·构造邻域的方法 | 第82页 |
| ·存在的问题 | 第82-83页 |
| ·自适应近邻参数选取算法的研究现状 | 第83页 |
| ·自适应局部线性嵌入算法 | 第83-86页 |
| ·自适应拉普拉斯算法 | 第83-84页 |
| ·自适应局部线性嵌入算法 | 第84-85页 |
| ·需要注意的问题 | 第85-86页 |
| ·相似性函数分析 | 第86页 |
| ·基于近邻自适应选择的监督局部线性嵌入算法 | 第86-93页 |
| ·算法步骤 | 第86-87页 |
| ·实验分析 | 第87-93页 |
| ·形态差异较大的叶片分类实验 | 第87-90页 |
| ·形态差异较小的叶片分类实验 | 第90-93页 |
| ·本章小结 | 第93-95页 |
| 第五章 监督局部线性嵌入算法在杂草识别中的应用 | 第95-110页 |
| ·杂草识别问题研究背景 | 第95页 |
| ·杂草识别问题国内外研究现状及存在的问题 | 第95-99页 |
| ·基于计算机视觉的识别方法 | 第95-97页 |
| ·基于光谱技术的识别方法 | 第97-98页 |
| ·存在的问题 | 第98-99页 |
| ·监督局部线性嵌入的新增样本处理 | 第99-102页 |
| ·现有方法 | 第99-100页 |
| ·回归分析法 | 第100-101页 |
| ·最小二乘支持向量机非线性回归 | 第101-102页 |
| ·基于监督局部线性嵌入算法的玉米田间杂草识别 | 第102-109页 |
| ·实验方法及结果 | 第103-108页 |
| ·形态学方法提取测试样本 | 第104-105页 |
| ·实验结果分析 | 第105-108页 |
| ·实验结果讨论 | 第108-109页 |
| ·本章小结 | 第109-110页 |
| 第六章 基于监督局部线性嵌入和高光谱的病害监测方法 | 第110-130页 |
| ·精准农业中的病害监测问题 | 第110-111页 |
| ·病害监测的研究现状和存在的问题 | 第111-112页 |
| ·高光谱遥感 | 第112-117页 |
| ·高光谱遥感简介 | 第112-113页 |
| ·高光谱的数据特性 | 第113-114页 |
| ·高光谱遥感图像分类与提取 | 第114-116页 |
| ·基于光谱空间的分析方法 | 第114-115页 |
| ·基于特征空间的分类方法 | 第115-116页 |
| ·高光谱遥感数据分类存在的问题 | 第116-117页 |
| ·图像的纹理特征 | 第117-119页 |
| ·基于高光谱图像的小麦叶片病害识别实验 | 第119-129页 |
| ·实验数据采集 | 第119-121页 |
| ·降维实验 | 第121-124页 |
| ·分类实验 | 第124-129页 |
| ·可视化结果 | 第125-129页 |
| ·识别精度分析 | 第129页 |
| ·本章小结 | 第129-130页 |
| 第七章 结论与展望 | 第130-134页 |
| ·研究总结 | 第130-133页 |
| ·研究展望 | 第133-134页 |
| 参考文献 | 第134-141页 |
| 致谢 | 第141-142页 |
| 攻读博士学位期间发表的学术论文 | 第142-143页 |
| 参加的科研项目 | 第143页 |
