| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·杂草识别研究现状 | 第11-12页 |
| ·无监督特征学习研究现状 | 第12-13页 |
| ·研究内容与技术路线 | 第13页 |
| ·本文的组织结构 | 第13-15页 |
| 第二章 无监督特征学习模型 | 第15-21页 |
| ·无监督特征学习算法概述 | 第15-16页 |
| ·基于K-means聚类的特征学习 | 第16-19页 |
| ·确定聚类数目 | 第17-18页 |
| ·初始化聚类中心 | 第18-19页 |
| ·构建特征字典 | 第19页 |
| ·无监督特征学习识别过程 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 图像获取与预处理 | 第21-28页 |
| ·图像获取 | 第21-22页 |
| ·图像预处理 | 第22-27页 |
| ·数据标准化 | 第22-23页 |
| ·数据白化 | 第23-25页 |
| ·预处理结果分析 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于K-means特征学习的杂草识别 | 第28-42页 |
| ·杂草识别模型 | 第28页 |
| ·特征映射与降维 | 第28-31页 |
| ·特征映射 | 第29-30页 |
| ·特征降维 | 第30-31页 |
| ·特征选择 | 第31-32页 |
| ·定义特征相似性 | 第31-32页 |
| ·选择局部特征集 | 第32页 |
| ·杂草识别方法 | 第32-35页 |
| ·支持向量机 | 第32-33页 |
| ·多项逻辑回归 | 第33-35页 |
| ·实验结果分析 | 第35-41页 |
| ·特征字典分析 | 第35-36页 |
| ·单层网络参数分析 | 第36-39页 |
| ·识别结果分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第五章K-means特征学习结合卷积神经网络的杂草识别 | 第42-51页 |
| ·卷积神经网络 | 第42-44页 |
| ·卷积神经网络概述 | 第42-43页 |
| ·卷积神经网络的训练 | 第43-44页 |
| ·杂草识别模型 | 第44-46页 |
| ·实验结果分析 | 第46-50页 |
| ·K-means特征学习结合CNN的实验结果分析 | 第46-49页 |
| ·识别结果对比 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| ·总结 | 第51页 |
| ·展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 作者简介 | 第56页 |