| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 引言 | 第9-15页 |
| 1.1 研究目的与意义 | 第9-10页 |
| 1.2 国内外研究发展现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.2.3 国内研究现状的不足之处 | 第12页 |
| 1.3 研究内容与技术路线 | 第12-14页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 技术路线 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 材料与方法 | 第15-31页 |
| 2.1 柑橘树样本的栽培与叶片采集 | 第15-16页 |
| 2.2 柑橘叶片反射光谱的测定 | 第16-18页 |
| 2.3 叶片氮、磷、钾含量真实值的测定 | 第18-20页 |
| 2.3.1 叶片氮含量真实值的测定 | 第18-19页 |
| 2.3.2 叶片磷含量真实值的测定 | 第19-20页 |
| 2.3.3 叶片钾含量真实值的测定 | 第20页 |
| 2.4 光谱数据处理与建模软件 | 第20-22页 |
| 2.4.1 RS3光谱数据采集软件 | 第20-21页 |
| 2.4.2 ViewSpec Pro光谱数据处理软件 | 第21-22页 |
| 2.4.3 Matlab光谱数据建模软件 | 第22页 |
| 2.5 光谱特征波长选取方法 | 第22-23页 |
| 2.5.1 相关系数法 | 第22页 |
| 2.5.2 连续投影算法 | 第22-23页 |
| 2.5.3 主成分分析 | 第23页 |
| 2.6 回归建模算法 | 第23-26页 |
| 2.6.1 多元线性回归算法 | 第23页 |
| 2.6.2 逐步多元线性回归算法 | 第23-24页 |
| 2.6.3 偏最小二乘回归 | 第24页 |
| 2.6.4 BP神经网络 | 第24-25页 |
| 2.6.5 支持向量机回归 | 第25-26页 |
| 2.7 模型参数寻优方法 | 第26页 |
| 2.7.1 交叉验证法 | 第26页 |
| 2.7.2 遗传算法 | 第26页 |
| 2.7.3 粒子群优化算法 | 第26页 |
| 2.8 小波去噪 | 第26-27页 |
| 2.9 流形学习算法 | 第27-29页 |
| 2.9.1 多维尺度变换 | 第27-28页 |
| 2.9.2 等距映射 | 第28页 |
| 2.9.3 拉普拉斯特征映射 | 第28-29页 |
| 2.9.4 局部线性嵌入 | 第29页 |
| 2.9.5 最大方差展开 | 第29页 |
| 2.10 数据集划分和模型评价标准 | 第29-30页 |
| 2.11 本章小结 | 第30-31页 |
| 3 基于高光谱的柑橘叶片氮含量检测模型的建立 | 第31-46页 |
| 3.1 氮含量统计与光谱分析 | 第31-32页 |
| 3.2 光谱特征波长的选取 | 第32-38页 |
| 3.2.1 相关系数法 | 第32-35页 |
| 3.2.2 连续投影算法 | 第35-36页 |
| 3.2.3 主成分分析 | 第36-38页 |
| 3.3 基于BP神经网络的柑橘叶片氮含量检测模型 | 第38-40页 |
| 3.4 基于支持向量机回归的柑橘叶片氮含量检测模型 | 第40-44页 |
| 3.5 不同光谱形式的建模结果 | 第44页 |
| 3.6 本章小结 | 第44-46页 |
| 4 基于高光谱的柑橘叶片磷含量检测模型的建立 | 第46-62页 |
| 4.1 磷含量统计与光谱分析 | 第46-47页 |
| 4.2 基于特征波长的磷含量预测模型 | 第47-53页 |
| 4.2.1 皮尔森相关系数选取特征波长 | 第47-49页 |
| 4.2.2 连续投影算法选取特征波长 | 第49-50页 |
| 4.2.3 主成分分析选取特征波长 | 第50-51页 |
| 4.2.4 支持向量机回归模型的建立 | 第51-53页 |
| 4.3 基于小波去噪的多元回归磷含量预测模型 | 第53-60页 |
| 4.3.1 小波去噪参数的确定 | 第53-56页 |
| 4.3.2 基于小波去噪和逐步多元线性回归的磷含量预测模型 | 第56-58页 |
| 4.3.3 基于小波去噪和偏最小二乘回归的磷含量预测模型 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 5 基于高光谱的柑橘叶片钾含量检测模型的建立 | 第62-78页 |
| 5.1 钾含量统计与光谱分析 | 第62-63页 |
| 5.2 基于特征波长的钾含量预测模型 | 第63-69页 |
| 5.2.1 皮尔森相关系数选取特征波长 | 第63-65页 |
| 5.2.2 连续投影算法选取特征波长 | 第65-66页 |
| 5.2.3 主成分分析选取特征波长 | 第66-67页 |
| 5.2.4 支持向量机回归模型的建立 | 第67-69页 |
| 5.3 基于流形学习的钾含量预测模型 | 第69-75页 |
| 5.3.1 本征流形维数的确定 | 第69-70页 |
| 5.3.2 MDS-GA-SVR钾含量预测模型 | 第70-71页 |
| 5.3.3 MDS-PSO-SVR钾含量预测模型 | 第71-72页 |
| 5.3.4 MDS-CV-SVR钾含量预测模型 | 第72-73页 |
| 5.3.5 不同流形学习算法建模性能的比较 | 第73-75页 |
| 5.4 不同光谱形式建模结果 | 第75-76页 |
| 5.5 本章小结 | 第76-78页 |
| 6 结论与讨论 | 第78-80页 |
| 6.1 结论 | 第78-79页 |
| 6.2 讨论 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 附录与学位论文相关的科研成果 | 第85页 |
