小麦病害图像的存储与识别技术的研究
| 中文摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究的目的与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究的主要内容 | 第13-14页 |
| 1.4 论文的结构 | 第14-15页 |
| 2 相关理论及技术 | 第15-25页 |
| 2.1 支持向量机 | 第15-18页 |
| 2.1.1 样本线性可分的支持向量机 | 第15-17页 |
| 2.1.2 样本线性不可分的支持向量机 | 第17-18页 |
| 2.1.3 非线性支持向量机 | 第18页 |
| 2.2 局部支持向量机 | 第18-21页 |
| 2.3 Hadoop分布式计算平台 | 第21-23页 |
| 2.4 HBase存储技术 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于粒子群的局部支持向量机 | 第25-33页 |
| 3.1 粒子群算法概述 | 第25-26页 |
| 3.2 粒子群算法原理 | 第26-27页 |
| 3.3 粒子群算法步骤 | 第27页 |
| 3.4 基于粒子群的局部支持向量机 | 第27-28页 |
| 3.5 粒子群设置 | 第28-29页 |
| 3.5.1 粒子的设置 | 第28页 |
| 3.5.2 适应度函数的选择 | 第28-29页 |
| 3.5.3 粒子群参数的设置 | 第29页 |
| 3.6 算法步骤及流程图 | 第29-30页 |
| 3.7 实验结果及分析 | 第30-32页 |
| 3.7.1 UCI数据集 | 第30-32页 |
| 3.8 本章小结 | 第32-33页 |
| 4 Hadoop平台下基于粒子群的局部支持向量机 | 第33-40页 |
| 4.1 相关技术及算法 | 第33-35页 |
| 4.2 算法改进原理 | 第35页 |
| 4.3 MapReduce实现 | 第35-36页 |
| 4.4 算法改进的步骤及流程图 | 第36-37页 |
| 4.4.1 算法步骤： | 第36-37页 |
| 4.5 实验结果及分析 | 第37-39页 |
| 4.5.1 单机与集群处理实验对比 | 第37-39页 |
| 4.6 本章小结 | 第39-40页 |
| 5 基于HBase的小麦病害图像存储数据库 | 第40-44页 |
| 5.1 非结构化数据 | 第40页 |
| 5.2 系统存储方案设计与实现 | 第40-41页 |
| 5.3 存储过程 | 第41-42页 |
| 5.4 系统截图 | 第42-43页 |
| 5.5 本章小结 | 第43-44页 |
| 6 小麦病害图像的识别 | 第44-49页 |
| 6.1 小麦病害图像 | 第44页 |
| 6.2 特征提取 | 第44-45页 |
| 6.3 图像的HSV特征 | 第45-46页 |
| 6.4 图像识别实验结果分析 | 第46-48页 |
| 6.5 本章小结 | 第48-49页 |
| 7 总结与展望 | 第49-51页 |
| 7.1 总结 | 第49-50页 |
| 7.2 展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表论文情况 | 第57页 |
