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 |