首页--农业科学论文--园艺论文--果树园艺论文--柑桔类论文

基于反射光谱数据的柑橘叶绿素含量反演模型的研究

摘要第3-4页
abstract第4-5页
第一章 绪论第8-14页
    1.1 研究背景第8-10页
    1.2 国内外研究现状第10-11页
    1.3 研究的目的与意义第11-12页
    1.4 本文技术路线第12-13页
    1.5 论文的组织结构第13-14页
第二章 环境介绍及数据的采集与预处理第14-30页
    2.1 环境介绍第14页
    2.2 光谱数据的采集工作第14-18页
        2.2.1 光谱图获取叶绿素含量的理论基础第14-15页
        2.2.2 介绍光谱数据采集工具及前期工作第15-17页
        2.2.3 测量实验样品的光谱数据第17-18页
    2.3 分光光度法测取实验样本柑橘叶片叶绿素含量第18-19页
    2.4 反射光谱数据的一阶求导及平滑去噪处理第19-23页
        2.4.1 Savitzky-Golary去噪算法第19-21页
        2.4.2 原始反射光谱数据的一阶导数即平滑去噪处理第21-23页
    2.5 光谱特征参数与叶片叶绿素含量的相关性分析第23-29页
        2.5.1 光谱特征参数的介绍第23-27页
        2.5.2 光谱特征参数与叶绿素含量的相关性分析第27-29页
            2.5.2.1 相关系数计算第27页
            2.5.2.2 计算选取的光谱特征参数与叶绿素含量的相关系数第27-29页
    2.6 本章小结第29-30页
第三章 主成分分析简化光谱特征参数第30-36页
    3.1 主成分分析介绍第30-32页
        3.1.1 主成分分析基本思想和原理第30页
        3.1.2 主成分分析具体计算步骤第30-32页
    3.2 基于主成分分析的光谱特征参数简化处理第32-34页
        3.2.1 主成分分析简化光谱特征参数第33-34页
    3.3 本章小结第34-36页
第四章 建立基于BP神经网络的叶绿素含量反演模型第36-54页
    4.1 反演模型的建立第36-41页
        4.1.1 人工神经网络第36页
        4.1.2 BP神经网络介绍第36-39页
            4.1.2.1 BP神经网络基本原理第37-39页
        4.1.3 反演模型适用性分析和选择第39-40页
        4.1.4 基于BP神经网络反演模型的缺陷和优化方法第40-41页
    4.2 社会情感优化算法第41-46页
        4.2.1 社会情感优化算法具体介绍第43-45页
        4.2.2 社会情感优化算法的改进第45-46页
    4.3 基于社会情感优化算法(SEO)的BP神经网络预测模型的建立第46-50页
        4.3.1 BP神经网络模型的建立第46-49页
        4.3.2 社会情感优化算法优化BP神经网络实现第49-50页
    4.4 实验数据的仿真和结果分析第50-53页
        4.4.1 实验条件和参数设置第50页
        4.4.2 传统BP神经网络反演叶绿素含量第50-51页
        4.4.3 改进的SEOBP神经网络反演叶绿素含量第51-52页
        4.4.4 两种预测模型精度研究分析第52-53页
    4.5 本章小结第53-54页
第五章 总结与展望第54-56页
    5.1 本文工作总结第54页
    5.2 本文创新点第54-55页
    5.3 展望第55-56页
参考文献第56-62页
附录第62-66页
发表论文和参加科研情况说明第66-68页
致谢第68-69页

论文共69页,点击 下载论文
上一篇:加固用界面剂对新旧砼粘结性能影响的试验研究
下一篇:Si3N4陶瓷轴承外圈沟道的精磨与超精实验研究