基于支持向量机的植物病害识别研究
| 提要 | 第1-9页 |
| 第一章 绪论 | 第9-19页 |
| ·支持向量机理论及应用研究概述 | 第9-13页 |
| ·传统模式识别方法的局限性 | 第9-10页 |
| ·统计学习理论及支持向量机方法的提出 | 第10-12页 |
| ·支持向量机理论发展历史与现状 | 第12-13页 |
| ·农作物病害诊断研究概况及发展动态 | 第13-17页 |
| ·引言 | 第13-14页 |
| ·利用图像处理技术和模式识别技术诊断农作物病害 | 第14-17页 |
| ·支持向量机在农作物病害诊断方面的应用研究 | 第17页 |
| ·研究内容 | 第17-19页 |
| 第二章 统计学习理论与支持向量机方法 | 第19-35页 |
| ·引言 | 第19页 |
| ·统计学习理论的基本问题和方法 | 第19-24页 |
| ·VC维理论 | 第19-20页 |
| ·结构风险最小化归纳原理 | 第20-24页 |
| ·支持向量机的基本理论 | 第24-31页 |
| ·线形情况 | 第24-26页 |
| ·核函数和非线性问题 | 第26-28页 |
| ·多类别分类问题 | 第28-31页 |
| ·支持向量机求解方法 | 第31-35页 |
| ·C-SVM系列算法 | 第31-32页 |
| ·v-SVM系列算法 | 第32页 |
| ·RSVM算法 | 第32-33页 |
| ·LS-SVM算法 | 第33页 |
| ·WSVM算法(weighted SVM) | 第33页 |
| ·其它改进的SVM算法 | 第33-35页 |
| 第三章 支持向量机核函数设计 | 第35-45页 |
| ·引言 | 第35页 |
| ·核函数设计 | 第35-40页 |
| ·高斯核函数的性能分析 | 第36-38页 |
| ·改进高斯核函数 | 第38-39页 |
| ·改进线形组合高斯核函数 | 第39-40页 |
| ·试验与分析 | 第40-45页 |
| ·不同线性组合参数的分析比较 | 第40-43页 |
| ·不同核函数的分析比较 | 第43-45页 |
| 第四章 基于支持向量机的病害图像特征提取与选择 | 第45-55页 |
| ·引言 | 第45页 |
| ·植物病害图像原始特征的形成 | 第45-48页 |
| ·病害叶片颜色特征参数的研究 | 第45-46页 |
| ·病害叶片纹理特征参数的研究 | 第46-47页 |
| ·病害叶片病斑部位形状特征参数的研究 | 第47-48页 |
| ·改进 SVM-RFE特征选择方法 | 第48-52页 |
| ·试验与结果分析 | 第52-54页 |
| ·样本数据的选择 | 第52-53页 |
| ·结果分析 | 第53-54页 |
| ·结论 | 第54-55页 |
| 第五章 基于模糊支持向量机的多类别分类器的建立 | 第55-67页 |
| ·引言 | 第55页 |
| ·模糊支持向量机 | 第55-56页 |
| ·多类别分类器的设计 | 第56-57页 |
| ·试验与结果分析 | 第57-67页 |
| 第六章 支持向量机方法在植物病害诊断中的应用 | 第67-77页 |
| ·本论文提出的植物病害诊断系统基本框架 | 第67-68页 |
| ·地面环境信息获取与分析 | 第68-73页 |
| ·地区植物病害发病概率确定 | 第68-73页 |
| ·影响植物病害的环境因子确定 | 第73页 |
| ·图像信息的获取与分析 | 第73-76页 |
| ·图像获取需要解决的技术难点 | 第74-75页 |
| ·图像获取、预处理的过程 | 第75-76页 |
| ·植物综合病害识别试验与结果分析 | 第76-77页 |
| 第七章 结论与展望 | 第77-81页 |
| ·研究结论 | 第77-78页 |
| ·本文的不足之处 | 第78-79页 |
| ·建议与展望 | 第79-81页 |
| 参考文献 | 第81-92页 |
| 攻博期间发表的学术论文及其他成果 | 第92-93页 |
| 致谢 | 第93-94页 |
| 摘要 | 第94-97页 |
| ABSTRACT | 第97-99页 |
