一、基于模糊神经网络的高光谱数据挖掘方法（论文文献综述）
杨成浩[1]（2021）在《基于超宽带信号的土壤特征与数据挖掘研究》文中指出超宽带（UWB,Ultra Wide Band）雷达传感器由于雷达带宽高,在农业中具备很强的土壤距离分辨率,目标穿透能力和抗干扰能力优势,已在农业土壤动态信息的实时获取和综合处理中得到广泛的应用。本文就超宽带雷达信号中的土壤特征参数信息提取问题提出了两种土壤特征分类算法和两种土壤特征预测算法。利用机器学习和信号处理算法从超宽带雷达信号的时域、频域和特征空间三个角度对信号进行特征提取,建立了信号与土壤特征之间的映射关系,并通过实验验证了算法在不同信噪比、标签噪声以及特征维度下的最优算法。主要工作内容总结如下:1、本文提出了UWB-LSTM和UWB-GRU土壤含水量分类算法,达到了可以无需进行超宽带雷达土壤信号特征提取即可对五种具有不同的超宽带土壤回波信号进行土壤体积含水量分类的目的。该算法利用了UWB土壤信号作为时间序列样本数据的特点,通过挖掘信号前后数据点之间的相关特性与土壤特征参数之间的关系,结合两种循环神经网络对土壤回波信号进行了分类。本文针对两个模型在分类效果、模型收敛速度和模型泛化能力三个方面的特点,就两个模型在实测量和数据中的表现情况进行了综述和分析。仿真结果显示,UWB-GRU算法的分类精度和准确率优于UWB-LSTM,但是UWB-LSTM模型的泛化能力优于UWB-GRU模型。2、本文提出了一种基于置信学习的改进逻辑回归算法,该算法针对超宽带雷达土壤信号中可能存在的错误标签会影响模型的分类效果这一问题,达到了提高算法分类准确率的效果。该算法将置信学习方法应用于逻辑回归模型,通过对标签噪声概率进行估计发现可能的错误标签。另外,本文在不同信噪比下,对比了基于置信学习的逻辑回归模型和一般逻辑回归模型的分类精度。仿真分析表明,在信号自身和信号标签中均存在噪声的情况下,基于置信学习的改进逻辑回归算法在分类准确率上有较大的提升。3、提出了一种WPT-SVM土壤特征参数预测算法,该算法以小波包变换为基础（WPT,wavelet packet transform）提取了超宽带土壤回波信号的频域能量特征,该特征为不同土壤特征的超宽带雷达信号在不同频率分段上的能量占比。同时以支持向量机（SVM,support vector machine）为基础建立了超宽带土壤回波信号的土壤p H值和土壤含水量预测模型。当对土壤超宽带回波进行6层Dmeyer小波包处理后,算法的p H预测性能达到最佳;分解层数达到7层时,土壤VWC预测效果达到最佳。4、提出了一种基于主成分分析（PCA,Principal Component Analysis）和集成学习方法的土壤特征参数预测模型,实现了土壤特征参数的智能化提取。本文实现算法预测效能在不同的特征维度和信号噪声条件下的考察。PCA+bagging、PCA+randomforest、PCA+adaboost和PCA+gradientboost算法中,PCA+randomforest的预测效果和抗噪性能均优于其余三种模型。另外,利用集成学习算法集成多个弱学习器的特点,对上一章中的小波包分解得到的能量特征谱进行分析,对各频段的信号能量对土壤p H预测的重要程度排序。使用三种集成模型（随机森林、决策树和gradientboost模型）分析得出结论,超宽带土壤信号与p H值相关的信息主要集中在信号的3.84-4.10GHz频域范围内。本文在传统信号处理算法之上,利用机器学习强大的数据拟合能力,从信号频域、信号时域、特征空间三个角度对信号进行特征提取,建立了土壤特征参数与超宽带雷达信号之间的映射关系。针对土壤p H值与体积含水量预测、在信号噪声环境下进行土壤特征的分类与预测任务提出了解决方案。
佃仁伟[2]（2020）在《高光谱和多光谱图像融合方法研究》文中研究表明高光谱图像可以提供丰富的光谱信息,能够实现对成像目标的精细识别和分类,因此高光谱图像被广泛应用于对地观测、军事监测、环境监测、地质勘探、精准农业等多个领域。然而由于成像传感器的限制,图像的光谱分辨率和空间分辨率相互制约,也即很难直接获得高空间分辨率的高光谱图像,这限制了高光谱图像后续的分析与应用;而现有的传感器可以获得高空间分辨率的多光谱图像,因而融合同一场景下的高光谱与多光谱图像成为获得高空间分辨率高光谱图像的有效途径。本论文在深入总结和分析高光谱与多光谱图像融合研究现状的基础上,针对融合中的两大难题准确表示和高效融合,建立了新的融合模型,提出了高性能高光谱与多光谱图像融合方法。并通过实验验证了本文提出方法的有效性和优越性。具体研究内容如下:（1）针对高光谱图像空谱复杂结构准确表示的难题,本文建立了高光谱图像的稀疏张量表示模型与融合方法。矩阵分解的方法往往难以准确表示高光谱图像的三维空谱结构,为了解决该问题,我们把高光谱图像分解成核张量和三个维度的因子矩阵,三个维度的字典分别代表了高光谱图像在三个维度上的信息,核张量表示三个维度之间信息的关联程度,核张量因高光谱图像的空谱相似性而往往具有一定的稀疏性,该模型把高光谱图像三个维度的信息放在一个统一的架构下建模。基于建立的模型,提出了基于耦合稀疏张量表示的融合方法和基于非局部稀疏张量表示的融合方法,分别适用于非盲融合和半盲融合的情况。实验结果表明,本文方法有效保持了高光谱图像的空谱结构,提升了融合效果。（2）针对融合中空间与光谱特征准确提取的难题,建立了高光谱图像的空谱低秩张量表示模型,提出了一种基于空谱低秩张量表示的融合方法。首先为了利用高光谱图像光谱维度的相似性,本文将高光谱图像分解为低维的光谱基和系数。我们采用截断的奇异值分解从高光谱图像中学习光谱基。系数反映了融合高光谱图像的空间信息,为了利用了融合高光谱图像的空间相似性,该方法首先从高分辨的多光谱图像中学习这一空间相似性,把相似的系数块聚类在一起,同一类的系数块可以构成一个三维的张量,该三维张量的三个维度的相关性高,因而可以用低秩张量表示来约束这个三维的张量。系数的估计问题就被转化了求解一个低秩张量正则的优化问题。我们采用交替的乘子法迭代求解该问题。实验结果表明,提出方法的融合高光谱影像的光谱角误差下降9.9%。（3）针对传统模型优化融合方法求解难度大、计算效率低的问题,本文提出了一种高效的基于深度卷积神经网络的融合方法,将多光谱与高光谱图像的成像模型与卷积神经网络学习到的图像特性结合起来。基本步骤如下:首先,利用多光谱与高光谱图像的成像模型来初始化融合高光谱图像,然后通过深度卷积神经网络映射初始化的高光谱图像和实际高分辨率高光谱图像之间的残差。最后把通过神经网络得到的高分辨率高光谱图像引入到成像模型中,获取更高精度的高分辨高光谱图像。实验结果表明,本文方法能够获得质量更高的高分辨高光谱图像,同时计算效率提升5倍以上。（4）针对深度学习融合方法训练样本量大、泛化能力弱的难题,提出了一种深度子空间迁移学习的融合方法,本文方法只需要在灰度图像上进行训练,不需要在多光谱与高光谱图像上进行训练。首先,为了利用了高光谱图像的低秩特性,把高分辨率高光谱图像分解成低维的光谱子空间和子空间系数,融合问题就被转化了对子空间和系数的估计,提高了计算的效率。首先通过截断奇异值分解从高光谱图像中学习光谱子空间。由于深度卷积神经网络的强大的学习能力,我们利用灰度图像去噪网络来正则子空间系数的估计,把子空间系数的估计转化了对灰度图像的去噪。具体而言,我们将卷积神经网络去噪器嵌入交替方向乘子法的迭代过程中。实验结果表明,该方法泛化能力强,显着提升了不同空-谱分辨率图像的融合性能。
潘博[3]（2020）在《基于自编码器网络的高光谱图像聚类》文中研究表明高光谱图像携带了丰富的光谱信息,在对地观测领域应用广泛,其高维特性和非线性结构为聚类任务带来了“维数灾难”和线性不可分问题,以往工作将特征提取过程与聚类过程互相分离,难以同时优化。为了解决上述问题,提取更加有效的深层特征,本文联合优化高光谱图像聚类任务的特征提取过程和聚类过程,提出了一种新的联合学习深度自编码器网络模糊C均值聚类方法（CDFCC）。首先,利用深度自编码器网络强大的降维和非线性变换能力将高光谱图像原始数据映射到潜在特征空间中,完成高光谱图像的光谱特征提取过程,深度自编码器网络通过最小化重构误差学习高光谱图像每个像素点的特征表示以达到保持局部结构的目的。其次,为了更好地对高光谱图像进行聚类,在深度自编码器网络的隐藏层上构造聚类算法,即使用模糊C均值聚类算法约束特征提取过程。最后,为了自适应学习适用于聚类算法的光谱特征,联合重构误差和聚类误差训练CDFCC算法模型,得到高光谱图像更加有效的深层光谱特征。CDFCC算法具有两个任务联合优化的优势,能够自适应地学习适用于聚类任务的高光谱图像深层光谱特征,并且可以动态调整聚类指示矩阵。实验部分使用Indian Pines、Pavia University、Salinas和Kennedy Space Center四个高光谱数据集验证CDFCC算法的有效性,CDFCC算法在四个数据集上的聚类精度分别达到了42.95%、60.59%、66.29%和62.64%。实验结果表明,CDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征,提升聚类精度,并且由于CDFCC算法不需要额外的训练过程,大大提升了聚类效率。该论文有图26幅,表11个,参考文献83篇。
邵航[4]（2020）在《基于数据挖掘的城市食品质量安全知识发现与情报提取》文中认为城市是现代人类最重要的聚居空间,也是人类文明的数据洪流交汇集中的枢纽。城市中的食品质量安全与人民群众的生命安全密切相关。源于食品领域的安全隐患可能通过我们未知的发生机理,演化为各类危及社会公共卫生安全的不明形态突发事件。在大数据和人工智能高速发展的今天,为了及时防范化解潜在的食品安全及其衍生危机,依托数据挖掘技术的食品安全事件预警防控体系,应该成为突发公共卫生事件预警防控的前哨阵地。本文的研究从海量的食品安全数据中开展深度数据挖掘,以数据科学发展前沿的机器学习与人工智能技术为方法,以面向国家安全与发展战略的情报科学为手段,以与食品安全密切相关的食品科学的经典知识为背景,发现隐性知识,并最终提取为食品安全情报,直接作用于食品安全事件乃至突发公共卫生事件的监管防控,从而防范化解重大社会公共安全隐患。本文的研究将主要围绕如下五大重点任务展开:（1）探索和构建基于数据挖掘的新型社会公共安全情报分析提取体系模型。在总结“数据挖掘与知识发现”和“情报提取与情报分析”两大板块前人研究所涉及的基础理论、研究流程和基本范式的基础上,独立地提出了数据驱动的PMDA-DIKI公共安全情报分析提取体系模型。该模型描述了多源数据变为安全情报的过程中,数据处理流程和数据存在形态的基本演进路径,同时也定义了从数据出发进行公共安全情报提取的操作步骤,即:采取“加工处理→数据挖掘→知识发现→算法激活”的手段,使数据按照“数据→信息→知识→情报”的级次逐步被提取为所需要的公共安全情报。在以食品安全数据为研究对象时,采取了“三分法”,将食品安全数据类型划分为准结构化食品安全数据、半结构化食品安全数据、非结构化食品安全数据,有利于根据数据结构特征的差异,有的放矢地采用更加契合的机器学习算法,开展知识发现与情报提取。该模型的建立为后续研究提供了理论基础和行动依据。（2）针对准结构化的食品安全行政处罚数据,采用基于R语言的广度优先的Apriori算法和Quantum GIS软件,展开了食品安全情报提取。结果表明武汉地区食品安全事件在时间上表现出冬春季高发,在空间上表现出长江北岸严重于长江南岸,在地理分布上沿“鄂东走廊”呈西北-东南向递减;以“最小支持度=0.0135,最小可信度=0.1”的参数设置,在隐性规律上提炼出“{黄曲霉毒素B1→调味品→芝麻酱}”和“{糖精钠→蔬菜制品→萝卜丁}”等重要关联规则。该研究为武汉地区食品安全风险,乃至公共卫生事件风险的防范化解均提供了有益参考。（3）针对半结构化的食品安全理化指标数据,以CART和Adaboost算法,结合部分依赖图,以及社会网络分析开展了食品安全情报提取。结果表明经过训练的CART和Adaboost决策树对新输入猪肉脯的理化指标识别率达到了90%以上;部分依赖图显示“蛋白质23-35g/100g,挥发性盐基氮18-28mg/100g”时猪肉脯质量安全水平最高;社会网络分析法发现了“铅-蛋白质-脂肪”等隐性关系链条,为食品生产工艺的过程控制提供了有益参考。（4）针对非结构化的食品安全图像数据,采取像素色值分析与人工神经网络相结合的方法,展开了食品安全情报提取。首先使用RGB像素色值分析提取出“安全”和“不安全”的30个宜昌蜜橘样本的像素特征,以EMD算法进行聚类分组,并以荧光标记进行定量评估;然后使用Rprop神经网络对基于果皮成色的宜昌蜜橘的质量安全水平进行了预测,准确率达到90%以上,为基于图像的食品质量无损检测技术提供了有益参考。（5）讨论了城市食品安全情报系统的现实构建问题,提出以“专业化城市公共安全情报工作站”的形式实现城市食品安全情报工作系统。结果表明,专业化的情报分析队伍、矩阵化的组织架构、专业智库式的工作流程和面向大数据处理的工作环境能够满足城市食品安全情报系统构建的现实需求。该系统的构建,为城市食品质量安全,甚至其他公共安全情报体系的现实层面的实现提供了可参考案例。本文使用数据挖掘与知识发现的技术方法,从公共安全情报的角度,对城市食品安全的监管防控提供了有力的决策支持,同时也探索出一条具备在其他公共安全领域应用潜质的新型公共安全情报分析提取途径。
王雪[5]（2019）在《基于深度生成对抗模型的高光谱遥感影像分类研究》文中研究指明高光谱遥感影像具有较好的光学特征和丰富的光谱信息,其图谱合一的特性使得高光谱影像能够为精细分类、遥感反演和目标探测等任务提供新的研究方式。分类是高光谱数据分析中的基本问题之一,虽然高光谱影像中含有丰富的地物信息,但其数据冗余、空间分辨率不足、标记样本缺乏等因素,限制了高光谱影像分类的应用与发展。针对上述问题,引入在计算机视觉任务中的深度生成模型,围绕高光谱影像光谱生成、紧耦合式分类训练和空-谱特征提取等方向开展研究。主要创新工作如下。（1）提出了一种面向光谱生成有效性的条件式变分对抗网络（Conditional Variational and Adversarial Autoencoder,CVA2E）,解决了光谱特征有效性学习的问题。在分析生成模型的训练不稳定、模式坍塌、生成样本质量低等问题形成原因的基础上,在生成对抗网络中引入变分推理过程,提升了模型的学习能力。此外,通过添入两个惩罚项,提高了生成样本的多样性和生成样本的光谱形状特征。三个标准高光谱数据集的实验结果表明,CVA2E在光谱合成能力上优于其他方法。在使用ROSIS和AVIRIS数据集时,引入全损失惩罚的CVA2ESADFVA表现最佳,精度依次为96.74%和89.7%,引入了特征角损失的CVA2EFVA在HYSPEX数据集上表现最好,精度为98.33%,证明了CVA2E在挖掘分类特征方面更有效。（2）提出了一种面向分类任务的多组分对抗生成胶囊网络（Capsule Triple Generative Adversarial Network,Caps-TripleGAN）,通过引入向量神经元和多组分对抗训练结构进行紧耦合式训练,进一步提高了深度生成框架的判别能力。针对CVA2E弱耦合训练过程进行优化,引入TripleGAN结构,将生成对抗训练过程,分为分类器、生成器和判别器三组分紧耦合式训练。引入胶囊神经元对光谱特征进行提取,在提取特征时充分考虑特征及其位置和方向信息,提取更加有效的高阶可分特征。实验结果表明,胶囊网络的性能优于对比实验中的深度学习方法,同时TripleGAN可以提高CapsNet在少量训练样本的分类性能。（3）针对高光谱分类过程中空谱信息融合问题,以分离式双通道学习过程和伪标签辅助思想为基础,提出了两种基于深度生成模型的高光谱影像空谱特征学习方法。首先,基于紧耦合对抗机制,将空间信息和光谱信息进行分离式输入,在高阶特征提取层进行合并,提出一种面向空谱特征的双通道多组分生成对抗网络（Dual Triple Generative Adversarial Network,Dual-TripleGAN）,完成空谱特征学习和分类。另外,为探索空谱数据块完整性的生成方法,提出一种基于伪标签的多尺度生成辅助分类方法（Multiscale Generative Assistant Capsule Network,MS-GA-CapsNet）。针对空谱数据块的学习过程,使用差异化加权思想,增加中心像素的网络权重,模型考虑了邻域像元类别信息,对网络的光谱特征进行混合式生成。同时,在空谱特征提取过程中,使用多尺度胶囊网络进行分类。实验结果表明,提出的多尺度生成辅助分类方法在四种数据上优于其他算法。该论文有图71幅,表27个,参考文献170篇。
张燕琪[6]（2019）在《基于聚类的高光谱图像压缩技术研究》文中研究表明高光谱图像具有超过一百个光谱的波段,其可以提供丰富的光谱和空间信息,因此高光谱图像的应用范围越来越普遍,例如,地物、目标检测和解混等领域。尽管图像分析可以从高光谱图像丰富的数据中受益,但是庞大的数据可能会给高光谱图像的存储和传输带来沉重的负担。因此,如何有效压缩成为高光谱图像应用中的一个重要问题。压缩技术大致可以分为两大类:无损和有损压缩方法,这取决于是否可以将压缩数据精确地重新生成原始图像。对于无损压缩,关键是要消除数据冗余而不丢失信息。相反,有损压缩虽然失去一些信息但获得比无损压缩更高的压缩比。有损压缩是高光谱图像压缩中的一个很有前途的研究课题,也是本文研究的重点。本文的研究内容主要有:1.神经网络大多应用在二维数据图像中,对三维高光谱图像应用不充分。通过阅读大量有关神经网络的文献提出一种基于自适应波段聚类主成分分析和反向传播神经网络的高光谱图像压缩算法。该算法利用反向传播神经网络的输入层到隐含层对应压缩、隐含层到输出层对应解压缩的架构对高光谱图像进行压缩,该算法可有效提高图像信噪比。2.研究高光谱图像发现其谱间相关性大于空间相关性,针对此特性提出一种基于预测和矢量量化的高光谱图像压缩算法。首先利用谱间相关性,通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。最后,利用矢量量化对预测数据进行压缩。3.提出一种基于稀疏表示的高光谱图像压缩算法。该算法针对高光谱数据量大,压缩时间长的问题,只对非零系数和字典进行压缩,计算复杂度低,并且在解码端可以根据字典与非零系数快速重建图像,显着缩短重建时间。
夏吉安[7]（2019）在《基于云计算的作物灾害光谱图像数据挖掘与应用技术研究》文中指出随着信息技术在农业领域的应用越来越广泛,农业数据来源更加广泛,数据维度变得越来越高,更新更加迅速、数据类型也更加多样。信息与互联网技术通过监测和测量物理环境的各个方面,以前所未有的速度产生海量数据,这意味着需要大规模收集、存储、预处理、建模和分析来自各种异类源的海量数据。面对大量的农业数据需要采用人工智能、机器视觉、数据挖掘以及云计算等多种技术将农业大数据整合到计算机系统中,建立信息库并且从中挖掘有价值的信息,为农业生产提供决策,提高产量和降低成本并且减少农业生产活动对环境的负面影响。农业大数据处理是对农业数据进行处理分析的主要问题,通过并行计算和分布式存储方式将云计算资源和作业分散到系统中各个节点上,加快农业大数据的处理、分析、存储以及决策的速度,特别是在面对高并发读写、高维度和海量数据的高效率存储和访问、高可扩展性和高可用性等问题方面,需要使用合理的大数据分析处理技术,挖掘农业数据的价值、提高数据分析应用能力。本文针对作物灾害,可见-近红外光谱、高光谱成像以及云计算等方面的内容展开对于作物灾害光谱图像的数据挖掘与并行计算的研究,主要研究工作和创新点如下:（1）基于主成分分析、特征波段选择以及光谱学理论,探索作物虫害胁迫下的作物可见-近红外光谱特征,针对不同等级虫害胁迫的下的可见-近红外反射光谱进行主成分提取,通过模拟退火算法提取最优波段,使用层次聚类、K-Means,Fuzz C-means以及自组织映射（SOM）等机器学习方法对作物虫害光谱进行聚类分析,探索不同机器学习算法在作物虫害可见-近红外光谱识别中应用的潜力。（2）在第（1）点的研究基础之上,提出了一种基于云计算的作物灾害可见-近红外光谱并行分类识别方法。使用Hadoop和Spark框架搭建云计算平台,对于采集的作物冻害可见近红外反射光谱进行分类研究,使用Spark提供的MLlib机器学习库实现决策树、随机森林、人工神经网络以及支持向量机等多种机器学习方法,对于采集的光谱信息进行特征提取和分类分析,进行作物冻害的分类识别。实验结果表明和传统的光谱分析技术相比,基于云计算的并行光谱数据挖掘算法具有更好的性能和更高的数据挖掘效率。（3）通过采集作物渍害的高光谱图像信息,提取高光谱图像中的光谱与图像信息,并对RGB图像进行主成分分析和颜色空间转换以及对图像信息进行可视化分布。采用连续投影算法（SPA）筛选出了高光谱图像特征波段,提取高光谱图像的最优波段,并将高光谱图像中的光谱与图像信息融合,使用不同的分类模型对不同渍害高光谱图像进行分类预测与识别。（4）在第（3）点的研究基础之上,提出一种基于云计算的作物渍害高光谱图像二阶段分类识别方法,通过分别提取作物油菜高光谱图像中的可见-近红外光谱信息和数字图像信息,分别进行预处理和空间转换,去除图像与光谱噪声并建立相应的光谱矩阵和图像矩阵,通过使用Spark平台和MLlib机器学习库实现并行分类算法,分别对采集作物渍害的图像和光谱矩阵进行分类分析,再将图像和光谱矩阵的分类结果进行信息融合,得到最终的分类与识别结果,从而实现与建立基于云计算的作物灾害高光谱图像无损快速检测方法,并通过实验表明在保证分类预测准确性下,并行分类算法具有较高的加速比、可扩展性和规模增长性,有效地提高作物高光谱图像分类的效率。
朱红艳[8]（2019）在《基于无人机低空遥感的油菜表型信息获取方法研究》文中研究指明田间作物表型信息是农作物品质、生长信息的直观表现,是影响作物生产管理决策的重要因素。实时、高效、准确获取大尺度农田作物的表型信息可以为现代农业信息化精准管理、水肥药高效管理和精准施用提供依据,同时也对作物育种及生长信息快速准确识别提供支持。无人机低空遥感平台凭借高时空分辨率、低成本、机动灵活、适合复杂农田环境等优势,成为获取田间作物表型信息的新兴手段。因此,本研究围绕无人机低空遥感对作物表型信息获取的关键技术,以种植广泛、经济价值高的油菜为研究对象,通过设置不同氮肥梯度的油菜田间试验,结合图像和光谱预处理方法,提出了优选植被指数和优选特征波长等多种数据挖掘算法和机器学习算法,选出对油菜表型信息最敏感的植被指数和特征波长,建立了稳健的油菜花数目、油菜氮素（SPAD）、叶面积指数和产量的遥感定量模型,增加了预测模型的准确性和鲁棒性,为精细农业高通量作物表型信息获取提供了理论基础和技术支撑,对我国作物估产和育种信息的高通量检测具有重要的指导意义。主要研究内容和成果如下:（1）基于开发的RGB和多光谱成像融合的微小型无人机遥感系统,从图像分割、植被指数提取等多角度对数据进行挖掘,实现了多源信息融合,建立了稳健的油菜花数目预测模型。（1）提出了一套对无人机低空遥感多光谱图像进行拼接处理的流程:遗传算法拟合高斯曲面校正渐晕-尺度不变特征转换算法提取特征-随机抽样一致性算法剔除误匹配点-拉普拉斯金字塔图像融合。（2）采用机器学习（反向传播神经网络BPNN、支持向量机SVM、K均值聚类K-means）和RGB阈值等多种方法实现了油菜花的图像分割,其中最优方法是基于CIELAB颜色空间的K-means算法。（3）基于多种机器学习算法分别对RGB相机、多光谱相机、双传感器建立了线性（多元线性回归MLR、偏最小二乘回归PLSR）和非线性（BPNN、最小二乘支持向量机LS-SVM、极限学习机ELM）的油菜花数预测模型。基于双传感器融合的变量参数（窄波段植被指数,颜色植被指数和油菜花覆盖区域像素数）建立的回归分析模型优于只依赖多光谱相机或RGB相机建立的模型,且均取得了很好的预测效果,Rpre均大于0.89,BPNN效果最优(预测集相关系数Rpre=0.9359,预测集均方根误差RMSEP=17.25)。（4）采用遗传算法对变量重要性进行排序以改进和简化油菜花数的估测模型,简化后BPNN模型预测效果最好(Rpre=0.9383,RMSEP=14.81)。（2）利用微小型无人机多光谱遥感系统、UHD185高光谱遥感系统和多种机器学习算法,构建了油菜氮素（SPAD）和叶面积指数（LAI）定量预测模型。结果表明:25波段多光谱遥感系统,（1）基于全波段对SPAD和LAI分别建立了线性（MLR和PLSR）和非线性（LS-SVM、BPNN、ELM和径向基函数神经网络RBFNN）预测模型,SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8593,RMSEP=0.7798)和BPNN(Rpre=0.8016,RMSEP=0.4579)。（2）通过相关系数等势图确定对SPAD和LAI预测敏感的最优植被指数组合,并利用不同机器学习算法和特征植被指数建立SPAD和LAI预测模型,其中SPAD和LAI的最优预测模型分别为ELM(Rpre=0.8296,RMSEP=0.8627)和BPNN(Rpre=0.7416,RMSEP=0.5134)。UHD185高光谱遥感系统,（3）通过连续投影算法（SPA）、遗传算法（GAPLS）、无信息变量消除算法（UVE）和SPA结合、竞争性自适应加权采样（CARS）和随机蛙跳（RF）筛选特征波长减少冗余变量,提高模型的预测能力。基于特征波长的多变量建模优于基于全谱建模结果,SPAD最优的预测模型为CARS-BPNN(Rpre=0.9146,RMSEP=0.5973);LAI最优的预测模型为RF-BPNN(Rpre=0.9152,RMSEP=0.1970)。（4）用相关性分析和单因素方差分析探索适用于油菜SPAD和LAI预测的最佳植被指数,并基于组合植被指数和不同机器学习算法建立SPAD和LAI预测模型,其中SPAD最优模型为ELM(Rpre=0.8974,RMSEP=0.5596),LAI的最优预测模型为BPNN(Rpre=0.8699,RMSEP=0.2265)。综上,UHD185高光谱遥感系统建立的最优模型(SPAD:Rpre=0.9146;LAI:Rpre=0.9152)均优于25波段多光谱遥感系统(SPAD:Rpre=0.8593;LAI:Rpre=0.8016),证明无人机搭载UHD185高光谱成像仪可以获取大量窄波段且连续的油菜高光谱影像,因而能够更加全面的呈现出油菜特有的光谱特性,在农业定量遥感中具有广泛的应用潜力。（3）应用RGB和多光谱成像融合的微小型无人机遥感系统,通过多源信息融合,实现了对油菜产量的定量预测。结果表明:（1）基于多光谱全波段建立的回归分析模型（PLSR、MLR、LS-SVM、BPNN、ELM和RBFNN）效果均较好,Rcal和Rpre均大于0.78。最优预测模型为BPNN(Rpre=0.8232,RMSEP=166.9 kg/hm2);（2）用相关性分析和单因素方差分析探究适用于油菜估产的最佳植被指数组合,并结合不同机器学习算法建立油菜产量预测模型。基于多光谱相机和RGB相机融合的植被指数建立的回归分析模型(RBFNN:Rpre=0.8143,RMSEP=171.9 kg/hm2)优于只依赖多光谱相机的窄波段植被指数建立的估产模型(BPNN:Rpre=0.7655,RMSEP=188.3 kg/hm2)。（3）采用遗传算法来选择最优波长组合或最优植被指数组合。基于最优波长组合建立的油菜估产模型BPNN效果最好(Rpre=0.8114,RMSEP=172.6 kg/hm2);基于最优植被指数组合建立的ELM效果最好(Rpre=0.8118,RMSEP=170.9 kg/hm2)。因此,以上研究证明利用基于RGB和25波段多光谱成像融合的微小型无人机遥感系统对油菜产量预测的可行性,及这套系统在精细农业高通量植物表型和先进育种项目的巨大潜力。（4）基于无人机平台搭载的UHD185高光谱成像系统、Gaia Sky-mini高光谱成像系统获得油菜角果期遥感影像,利用波长选择算法,植被指数优选和机器学习算法,得到了最优的油菜估产模型。结果表明:（1）比较多种预处理方法对光谱特征的影响,小波变换为最优的光谱预处理方法;（2）用SPA、GAPLS、UVE、UVE-SPA、加权回归系数法BW、二阶导数2-Der、CARS和RF八种特征波长选择方法对全谱数据进行降维,相对于全谱,利用包含关键信息的特征波长进行预测具有更好的鲁棒性,优于全谱预测结果。其中GAPLS、CARS、RF及UVE-SPA四种特征波段选择方法较好,ELM回归分析模型预测效果较优。UHD185最优估产模型为CARS-ELM(Rpre=0.8122,RMSEP=170.4 kg/hm2);而基于Gaia Sky-mini最优估产模型为RF-ELM(Rpre=0.8227,RMSEP=166.4 kg/hm2)。（3）用相关性分析和单因素方差分析探索对油菜产量估测敏感的植被指数,建立单一植被指数和组合植被指数的估产模型,后者建立的模型更稳定,效果更好。从总体来看,Gaia Sky-mini基于组合植被指数建立的估产模型(LS-SVM:Rpre=0.8170,RMSEP=172.5 kg/hm2)优于UHD185系统(ELM:Rpre=0.7674,RMSEP=187.6 kg/hm2)。综上,UHD185和Gaia Sky-mini两种无人机高光谱遥感系统利用油菜角果期图像数据均取得了很好的预测结果(UHD185:Rpre=0.8122;Gaia Sky-mini:Rpre=0.8227),其中Gaia Sky-mini的定量估产模型稍优于UHD185。以上研究成果探明了RGB相机和多光谱相机融合的微小型无人机遥感系统及无人机高光谱遥感系统在农田地块（植株、群体）尺度对油菜表型信息获取的巨大优势。本研究提出了无人机遥感图像采集-图像拼接处理-特征植被指数或特征波长提取-机器学习算法建模预测的技术路径,为精细农业提供了一套一体化的无人机作物遥感信息获取解决方案。
肖云飞[9]（2019）在《青海省土壤有机质、全碳、全氮高光谱遥感估算研究》文中研究指明土壤有机质、全碳、全氮含量的高低对作物的生长具有重要作用。快速获取土壤中有机质、全碳、全氮含量信息,对农业生产的科学管理和精细农业的发展具有重要意义。传统测量方法主要依赖实验室化学分析的方法,操作过程比较复杂、耗时长,而且测量成本较高,不利于大面积采集测量、掌握土壤信息。可见光-近红外光谱（也叫可见光-近红外-短波红外光谱（Vis-NIR-SWIR））具有低成本、无污染、快速实时检测的优点,已被广泛应用到土壤特性检测中。本文以青海省三江源区与湟水流域为研究区,将野外采集的土壤样本分别进行土壤属性与土壤光谱的测定,在此基础上对土壤光谱数据进行预处理并基于模糊K均值聚类对土壤光谱进行土壤光谱分类与特征分析,最终基于偏最小二乘回归（PLSR）和随机森林（RF）对两个研究区域土壤有机质、全碳、全氮含量进行高光谱估算研究。主要结论如下:（1）土壤原始光谱反射率整体表现为土壤有机质含量越高光谱反射率越低,且在4001350nm反射率变化较大,有机质含量越高,反射率曲线越凹;包络线去除处理后的光谱曲线在4001350nm波段随着有机质含量的增加会出现明显的吸收谷。（2）包络线去除（或连续统去除）可以突出土壤光谱的吸收、反射特征,有利于土壤光谱的分类。基于土壤包络线去除的模糊K均值聚类,对全局土壤（两个研究区域的土壤样本作为一个整体）进行土壤光谱分类研究,结果表明该区域土壤光谱分类受土壤有机质含量的影响较大。（3）对土壤光谱进行一阶微分、包络线去除变换后的土壤光谱特征更加突出。原始光谱、一阶微分、包络线去除处理后的土壤光谱全波段偏最小二乘回归建模表明经过一阶微分、包络线去除可以减少模型的主成分数,简化模型结构,提高模型预测精度。（4）稳定竞争性自适应重加权算法挑选特征波段建模与全波段建模相比较,偏最小二乘、随机森林估算模型的特征波段建模精度相比全波段建模精度整体没有提高。但提取特征波段建模能够简化模型结构,提高运算速率,且对土壤光谱进行不同预处理后所提取的特征波段也有所不同。（5）对浓度梯度法与Kennard-Stone（KS）方法挑选的校正集与验证集土壤有机质、全氮、全碳含量特征统计,并建立偏最小二乘回归模型。湟水流域KS方法建立模型精度不高,且R2cv较大,R2val较小,模型过拟合。三江源区两种校正样本挑选方法的模型都具有较好的估算精度。三江源区有机质、全碳、全氮含量相比湟水流域较高,表明浓度梯度法挑选的校正集更具有代表性。土壤有机质含量较低时,KS方法挑选校正集不具有代表性。（6）土壤有机质、全碳、全氮含量的估算中,随机森林模型的估算精度整体高于偏最小二乘模型的估算精度,这可能是因为土壤有机质、全碳、全氮含量与土壤光谱并不是简单的线性关系,偏最小二乘回归建模具有一定的局限性。（7）基于模糊K均值聚类分析的土壤估算模型精度较全局土壤估算模型精度没有提高且有些类的估算模型精度低于全局估算模型精度。可能是由于该区域土壤差异较小,有机质对土壤的影响较大,且分类后的各类样本数小造成的。
郭中源[10]（2019）在《面向典型任务的无人群体智能感知与行为协同开发框架研究》文中研究表明实现对无人集群多种行为有效合理的协同控制,是开发无人集群协同控制系统所面临的关键问题;“感知-建模-规划-运动”控制体系结构是实现无人集群协同控制的可行方案。能够准确地在复杂环境条件下实现对各类相关信息的有效收集,形成对特定信息的感知能力,继而进行建模和规划,是进行无人集群行为协同的首要条件。本文开展了面向典型任务的主动光谱智能感知软硬件一体化设计;针对一体化设计中的感知任务数据收集与处理功能模块,构建了智能高光谱数据可视化处理平台,提供了复杂环境下目标普查和特定目标详查两种主要功能,实现了对高光谱数据实时可视化处理;针对一体化设计中的角色管理和任务描述与管理模块,在基本模型、执行机制、协同机制、组织机制、通信机制等方面对无人群体行为协同框架进行了优化设计,并设计案例实验,对开发框架在性能和实用性方面的指标进行了评估。主要工作有:1.开展了面向典型任务的主动光谱智能感知软硬件一体化设计,融合了高光谱数据的丰富信息优势、可见光图像的精细分辨优势和红外图像的温度成像优势,在感知系统中实现了基于角色管理的多种传感数据融合和智能目标识别;结合深度学习算法对感知数据进行处理与分类,通过对目标空域和光谱特征的同时处理,实现目标检测、目标识别、异常示警等不同功能模块,具备智能揭露伪装、快速发现高价值目标的能力,强化无人系统对环境的整体感知。（第三章）2.针对主动光谱智能感知软硬件一体化设计中的感知任务数据收集与处理功能模块,构建了智能高光谱数据可视化处理平台,在数据融合算法的实现上提高系统的实时性,实现了高光谱数据立方体预处理,对混合像元具备高精度解混的能力。研制了由多尺度卷积层、特征立方体、全卷积层、梯度衰减控制、过拟合拟制构成的高光谱深度张量卷积神经网络模型,通过模型训练,实现对预处理后高光谱数据立方体的数据挖掘,并优化模型参数,能够调用光谱特征数据快速实现目标普查、目标详查等功能。（第四章）3.针对主动光谱智能感知软硬件一体化设计中的角色管理和任务描述与管理模块,开发了面向典型任务的无人群体行为协同框架,既支持单机器人自主行为协同又支持多机器人合作任务协同。基于包容模型中的分层控制理论,对模块内的无人群体行为和模块间的通信机制进行了模板化描述与优化;结合动机行为理论,使用一些基于插件的高性能机制来优化框架的底层,借助框架提供的API方便地构建具有所有可用ROS资源的单机器人和多机器人应用程序,对无人集群基本控制元件、任务协同元件和消息流控制元件进行了封装,并在在仿真和实际环境中开展了协同开发框架对单机器人和多机器人自主行为及任务协同机制的支持测试及优化。（第五章）
二、基于模糊神经网络的高光谱数据挖掘方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊神经网络的高光谱数据挖掘方法（论文提纲范文）
（1）基于超宽带信号的土壤特征与数据挖掘研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 UWB土壤回波信号采集实验简介与信号预处理方法 |
| 2.1 UWB土壤信号采集实验 |
| 2.1.1 UWB土壤信号采集设备简介 |
| 2.1.2 UWB土壤信号取样实验流程介绍 |
| 2.2 UWB土壤信号数据预处理 |
| 2.3 本章小结 |
| 第三章 基于UWB土壤回波信号时序特征的分类模型设计及标签噪声分类问题 |
| 3.1 基于LSTM及其变体的UWB信号分类模型设计 |
| 3.1.1 基于LSTM的土壤含水量分类模型设计 |
| 3.1.2 基于GRU的土壤含水量分类模型设计 |
| 3.2 两种分类模型仿真分析对比 |
| 3.2.1 基于LSTM网络及其变体的土壤含水量分类流程及系统结构 |
| 3.2.2 基于LSTM网络及其变体的UWB土壤信号分类结果分析对比 |
| 3.3 置信学习方法 |
| 3.4 基于置信学习的改进逻辑回归分类模型 |
| 3.5 本章小结 |
| 第四章 基于UWB土壤回波信号频谱能量特征的预测模型设计 |
| 4.1 UWB土壤信号频谱能量特征提取 |
| 4.1.1 UWB土壤信号频谱特征提取方法:小波包分解 |
| 4.1.2 基于实测数据的UWB土壤信号小波包分解实例 |
| 4.2 WPT-SVM预测算法 |
| 4.2.1 SVM土壤特征预测回归模型 |
| 4.2.2 UWB土壤参数预测模型WPT-SVM |
| 4.3 本章小结 |
| 第五章 基于预测模型设计的UWB土壤信号预测算法设计 |
| 5.1 基于主成分分析法的UWB信号特征提取 |
| 5.1.1 主成分分析法原理 |
| 5.1.2 UWB土壤信号的PCA降维数值算例与分析 |
| 5.2 基于集成学习方法的土壤特征参数预测模型 |
| 5.2.1 Adaboost土壤特征预测模型 |
| 5.2.2 Gradientboost土壤特征预测模型 |
| 5.2.3 Bagging土壤特征预测模型 |
| 5.2.4 Randomforest土壤特征预测模型 |
| 5.3 基于PCA+集成学习模型的土壤特征参数预测方法 |
| 5.4 基于小波包变换+集成学习的土壤特征重要性判别方法 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（2）高光谱和多光谱图像融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于全色锐化的融合方法 |
| 1.2.2 基于矩阵分解的融合方法 |
| 1.2.3 基于张量表示的融合方法 |
| 1.2.4 基于深度卷积神经网络的融合方法 |
| 1.3 融合中的难题 |
| 1.4 论文研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第2章 高光谱图像稀疏张量表示模型与融合方法 |
| 2.1 引言 |
| 2.2 塔克张量分解 |
| 2.3 基于稀疏张量表示的成像模型 |
| 2.4 基于耦合稀疏张量表示的融合方法 |
| 2.4.1 对三个维度字典的优化 |
| 2.4.2 对核张量的优化 |
| 2.4.3 融合方法总结 |
| 2.5 基于非局部稀疏张量表示的融合方法 |
| 2.5.1 非局部相似图像块聚类 |
| 2.5.2 张量字典学习 |
| 2.5.3 张量稀疏译码 |
| 2.6 实验结果与分析 |
| 2.6.1 实验数据 |
| 2.6.2 客观评价指标 |
| 2.6.3 参数讨论 |
| 2.6.4 实验结果 |
| 2.6.5 计算效率 |
| 2.7 本章小结 |
| 第3章 高光谱图像低秩张量表示模型与融合方法 |
| 3.1 引言 |
| 3.2 低秩张量表示模型 |
| 3.3 基于低秩张量表示的融合方法 |
| 3.3.1 成像模型 |
| 3.3.2 低秩子空间表示模型和学习方法 |
| 3.3.3 基于低秩张量表示模型的系数估计 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据 |
| 3.4.2 客观评价指标 |
| 3.4.3 参数讨论 |
| 3.4.4 低秩张量正则的有效性 |
| 3.4.5 实验结果 |
| 3.4.6 计算效率 |
| 3.5 本章小结 |
| 第4章 基于深度卷积神经网络的融合方法 |
| 4.1 前言 |
| 4.2 成像模型 |
| 4.3 基于深度卷积神经网络的融合方法 |
| 4.3.1 从成像模型中初始化融合高光谱图像 |
| 4.3.2 基于深度卷积神经网络的图像先验学习 |
| 4.3.3 结合图像先验和融合成像模型 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据 |
| 4.4.2 客观评价指标 |
| 4.4.3 参数讨论 |
| 4.4.4 各步骤有效性的讨论 |
| 4.4.5 实验结果 |
| 4.4.6 计算效率 |
| 4.5 本章小结 |
| 第5章 基于深度子空间迁移学习的融合方法 |
| 5.1 前言 |
| 5.2 基于深度子空间迁移学习的融合方法 |
| 5.3 成像模型 |
| 5.3.1 光谱子空间估计 |
| 5.3.2 系数估计 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据 |
| 5.4.2 客观评价指标 |
| 5.4.3 参数讨论 |
| 5.4.4 实验结果 |
| 5.4.5 计算效率 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文主要工作 |
| 6.2 下一步研究方向 |
| 参考文献 |
| 致谢 |
| 附录A: 攻读学位期间所发表的学术论文及申请的专利 |
| 附录B: 攻读学位期间参与的科研项目及获得的奖励 |
（3）基于自编码器网络的高光谱图像聚类（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及结构安排 |
| 2 相关理论技术基础 |
| 2.1 高光谱图像深度聚类 |
| 2.2 高光谱图像数据 |
| 2.3 高光谱图像深度聚类的神经网络 |
| 2.4 高光谱图像聚类方法 |
| 2.5 本章小结 |
| 3 联合学习深度自编码器网络模糊C均值聚类算法 |
| 3.1 深度自编码器网络 |
| 3.2 CDFCC算法框架及优化过程 |
| 3.3 CDFCC算法设计 |
| 3.4 超参数优化方法 |
| 3.5 本章小结 |
| 4 实验结果与分析 |
| 4.1 实验数据 |
| 4.2 评价指标与实验环境 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于数据挖掘的城市食品质量安全知识发现与情报提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本研究的理论基础与现实价值 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据科学与食品安全交叉研究的国内现状 |
| 1.3.2 数据科学与食品安全交叉研究的国外现状 |
| 1.3.3 数据科学在公共安全情报领域的应用 |
| 1.4 研究目标与内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 研究思路与技术路线 |
| 1.5.1 拟采取的研究方法 |
| 1.5.2 技术路线 |
| 1.6 本章小结 |
| 第2章 城市食品质量安全知识发现与情报提取相关理论 |
| 2.1 数据挖掘与知识发现 |
| 2.1.1 食品安全数据的获取与预处理 |
| 2.1.2 数据挖掘与知识发现的实现 |
| 2.1.3 关联规则算法与食品安全行政处罚数据处理 |
| 2.1.4 决策树型算法与食品安全理化指标数据处理 |
| 2.1.5 色值分析算法与食品安全数据图像数据处理 |
| 2.2 情报提取与情报分析 |
| 2.2.1 情报分析的典型范式 |
| 2.2.2 以目标为中心的情报分析方法 |
| 2.2.3 结构化的情报分析方法 |
| 2.2.4 大数据时代的情报获取路径 |
| 2.2.5 PMDA-DIKI情报体系模型的重要性与可试点领域 |
| 2.3 本章小结 |
| 第3章 食品安全行政处罚数据的关联规则情报提取 |
| 3.1 研究目标 |
| 3.2 数据收集与数据探索 |
| 3.2.1 武汉食品安全事件数据收集 |
| 3.2.2 武汉食品安全事件的时间特征 |
| 3.2.3 武汉食品安全事件的空间特征 |
| 3.2.4 武汉食品安全事件频繁项集的数量特征 |
| 3.3 数据挖掘与结果分析 |
| 3.3.1 基于着色散点的规则空间可视化 |
| 3.3.2 基于着色矩阵的规则空间可视化 |
| 3.4 规则提炼与可视分析 |
| 3.4.1 冗余关联规则的删除与规则精炼 |
| 3.4.2 食品安全关联规则的可视化分析 |
| 3.5 情报提取与决策建议 |
| 3.5.1 地理信息系统在情报提取领域的应用 |
| 3.5.2 武汉食品安全事件地理空间情报可视化 |
| 3.6 本章小结 |
| 第4章 食品安全理化指标数据的质量预测情报提取 |
| 4.1 研究目标 |
| 4.2 数据收集与数据探索 |
| 4.2.1 猪肉脯质量安全数据收集 |
| 4.2.2 猪肉脯质量安全数据探索 |
| 4.3 数据挖掘与结果分析 |
| 4.3.1 分类回归树算法与猪肉脯质量安全预测 |
| 4.3.2 自适应增强算法与猪肉脯质量安全预测 |
| 4.3.3 部分依赖图分析与理化指标局部最优组合 |
| 4.4 两种算法的预测结果与运行效率对比 |
| 4.4.1 分类回归树算法与自适应增强算法预测结果对比 |
| 4.4.2 分类回归树算法与自适应增强算法运行效率对比 |
| 4.5 情报提取与决策建议 |
| 4.5.1 社交网络分析在情报提取领域的应用 |
| 4.5.2 基于社交网络分析的理化指标隐蔽网络关系发现 |
| 4.6 本章小结 |
| 第5章 食品安全图形图像数据的模式识别情报提取 |
| 5.1 研究目标 |
| 5.2 准备和获取图像 |
| 5.2.1 材料与仪器 |
| 5.2.2 图像获取与图像处理 |
| 5.3 图像识别算法实现与结果分析 |
| 5.3.1 像素色值分析算法 |
| 5.3.2 向量相似度距离聚类分析 |
| 5.3.3 不同质量安全等级柑橘的橘青霉覆盖面积测定 |
| 5.3.4 不同质量安全等级柑橘的像素色值分布特征分析 |
| 5.4 情报提取与决策建议 |
| 5.4.1 神经网络模型在情报提取领域的应用 |
| 5.4.2 基于柑橘果皮成色的柑橘质量安全风险预测 |
| 5.5 本章小结 |
| 第6章 城市食品安全情报系统的现实构建 |
| 6.1 情报系统构建的现实条件与现实需求 |
| 6.1.1 情报系统构建的现实条件 |
| 6.1.2 情报系统构建的现实需求 |
| 6.2 面向需求的组织结构设计 |
| 6.3 面向需求的工作流程设计 |
| 6.4 面向需求的工作环境设计 |
| 6.4.1 硬件配置需求 |
| 6.4.2 办公空间设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 本研究开展的社会调研与社会实践 |
| 附录2 本研究出具的结构化情报研判报告 |
| A.城市公共安全结构化情报研判报告 1-基于地理空间情报 |
| B.城市公共安全结构化情报研判报告 2-基于开源情报 |
| C.城市公共安全结构化情报研判报告 3-基于图像情报 |
| 附录3 本研究涉及的主要数据 |
| A.武汉地区食品安全事件行政处罚数据集(2014-2019,英译) |
| B.半结构化猪肉脯质量安全理化指标数据集(英译) |
| C.宜昌蜜橘质量安全图像采集数据 |
| 附录4 本研究涉及的算法的R语言源程序 |
| A.关联规则挖掘的Apriori算法源程序 |
| B.决策树挖掘的CART和Adaboost算法源程序 |
| C.图像识别挖掘的EMD算法源程序 |
| 附录5 攻读硕士学位期间获得的科研成果与奖励 |
| A.已发表的科技论文和投稿中的科技论文 |
| B.学科竞赛及获得奖励 |
| C.发明专利及其他应用成果 |
| 附录6 攻读硕士学位期间主持或参与的科研项目 |
（5）基于深度生成对抗模型的高光谱遥感影像分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及选题依据 |
| 1.2 国内外研究进展 |
| 1.3 研究目标 |
| 1.4 研究内容与论文结构 |
| 2 深度学习的相关理论基础及实验数据介绍 |
| 2.1 高光谱影像分类原理 |
| 2.2 深度学习概述 |
| 2.3 深度生成模型概述 |
| 2.4 研究区概况与数据资料 |
| 2.5 本章小结 |
| 3 面向光谱生成有效性的条件式变分对抗网络分类 |
| 3.1 GAN与 VAE的缺陷与改进思路 |
| 3.2 条件式变分对抗过程 |
| 3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 面向分类任务的多组分对抗生成胶囊网络分类 |
| 4.1 CVA~2E的判别过程分析 |
| 4.2 胶囊-多组分对抗生成过程 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 面向空谱特征的深度生成模型分类 |
| 5.1 小样本的情况下的空谱特征提取 |
| 5.2 面向空谱特征的生成对抗网络分类方法 |
| 5.3 面向空谱数据块的多尺度生成辅助分类方法 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于聚类的高光谱图像压缩技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 课题研究背景及意义 |
| 1.2 高光谱图像压缩算法研究现状 |
| 1.2.1 基于预测的高光谱图像压缩算法 |
| 1.2.2 基于变换的高光谱图像压缩算法 |
| 1.2.3 基于矢量量化的高光谱图像压缩算法 |
| 1.3 论文的主要研究内容 |
| 1.4 论文的主要结构 |
| 第2章 高光谱图像压缩算法 |
| 2.1 自适应差分脉冲调制 |
| 2.2 变换 |
| 2.3 矢量量化 |
| 2.4 神经网络 |
| 2.4.1 神经网络基本介绍 |
| 2.4.2 Back Propagation神经网络 |
| 2.4.3 广义回归神经网络 |
| 2.5 稀疏表示 |
| 2.6 本文压缩性能评价指标 |
| 2.6.1 光谱角 |
| 2.6.2 信噪比 |
| 2.6.3 峰值信噪比 |
| 2.6.4 压缩比 |
| 2.6.5 计算复杂度 |
| 2.7 本文实验数据介绍 |
| 2.8 本章小结 |
| 第3章 基于神经网络的高光谱图像压缩算法 |
| 3.1 基于自适应波段聚类主成分分析和反向传播神经网络的压缩算法 |
| 3.1.1 算法描述 |
| 3.1.2 仿真实验 |
| 3.2 基于预测和矢量量化的压缩算法 |
| 3.2.1 算法描述 |
| 3.2.2 仿真实验 |
| 3.3 本章小结 |
| 第4章 基于稀疏表示的高光谱图像压缩算法 |
| 4.1 基于稀疏表示的高光谱图像压缩算法 |
| 4.1.1 算法描述 |
| 4.1.2 仿真实验 |
| 4.2 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 发展总望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于云计算的作物灾害光谱图像数据挖掘与应用技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 农业大数据 |
| 1.2.2 机器学习 |
| 1.2.3 光谱与图像 |
| 1.2.4 高光谱图像 |
| 1.2.5 云计算 |
| 1.3 本课题研究的主要内容 |
| 1.4 本课题解决的关键问题 |
| 1.5 本课题的技术线路 |
| 1.6 论文结构安排 |
| 2 高光谱成像系统与云计算平台构建 |
| 2.1 可见-近红外光谱 |
| 2.2 高光谱成像技术 |
| 2.2.1 高光谱成像技术概述 |
| 2.2.2 高光谱成像系统 |
| 2.2.3 图像处理与ROI提取 |
| 2.3 光谱预处理 |
| 2.3.1 平滑 |
| 2.3.2 微分 |
| 2.3.3 多元散射校正 |
| 2.4 特征波段提取方法 |
| 2.4.1 连续投影算法 |
| 2.4.2 逐步回归 |
| 2.4.3 模拟退火算法 |
| 2.5 云计算平台 |
| 2.5.1 Hadoop |
| 2.5.2 分布式文件存储系统 |
| 2.5.3 并行编程框架 |
| 2.5.4 工作流程 |
| 2.6 本章小结 |
| 3 机器学习与作物虫害光谱检测 |
| 3.1 引言 |
| 3.2 实验材料与方法 |
| 3.2.1 样本采集 |
| 3.2.2 光谱采集 |
| 3.2.3 数据预处理 |
| 3.2.4 导数光谱和吸光度 |
| 3.2.5 模型校正与评价 |
| 3.3 结果与讨论 |
| 3.3.1 虫害光谱特征分析 |
| 3.3.2 主成分分析 |
| 3.3.3 层次聚类 |
| 3.3.4 K-Means |
| 3.3.5 FCM |
| 3.3.6 SOM |
| 3.3.7 全波段聚类性能分析 |
| 3.3.8 特征波段聚类性能分析 |
| 3.4 本章小结 |
| 4 基于云计算的苹果冻害反射光谱分类 |
| 4.1 引言 |
| 4.2 实验材料与方法 |
| 4.2.1 外部近红外反射光谱测量 |
| 4.2.2 苹果冻害感官分级 |
| 4.2.3 数据处理与分析 |
| 4.3 结果与讨论 |
| 4.3.1 冻害外部反射光谱 |
| 4.3.2 导数光谱 |
| 4.3.3 最优波段 |
| 4.3.4 主成分分析 |
| 4.3.5 云平台构建 |
| 4.3.6 基于云计算的分类判别模型 |
| 4.3.7 云计算性能分析 |
| 4.4 本章小结 |
| 5 油菜渍害高光谱图像特征研究 |
| 5.1 引言 |
| 5.2 实验材料与方法 |
| 5.2.1 油菜田间渍害设计 |
| 5.2.2 高光谱图像采集系统 |
| 5.2.3 图像空间转换 |
| 5.2.4 图像主成分分析 |
| 5.2.5 光谱数据提取 |
| 5.2.6 特征波段提取 |
| 5.2.7 分类分析与性能评估 |
| 5.3 结果与讨论 |
| 5.3.1 图像主成分分析探索 |
| 5.3.2 颜色空间转换 |
| 5.3.3 可见近红外高光谱分析 |
| 5.3.4 SPA最优波段选取 |
| 5.3.5 渍害等级检测 |
| 5.4 本章小结 |
| 6 基于并行计算的作物渍害高光谱图像分类 |
| 6.1 引言 |
| 6.2 实验材料与方法 |
| 6.2.1 实验样本与采集 |
| 6.2.2 云平台设计 |
| 6.2.3 前馈神经网络算法 |
| 6.2.4 支持向量机算法 |
| 6.2.5 分类结果评估 |
| 6.3 结果与讨论 |
| 6.3.1 渍害高光谱多分类判别 |
| 6.3.2 最优波段分类判别 |
| 6.3.3 云计算性能评估 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于无人机低空遥感的油菜表型信息获取方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 无人机遥感系统概述 |
| 1.2.1 无人机平台 |
| 1.2.2 机载传感器 |
| 1.3 无人机遥感作物表型信息获取研究现状 |
| 1.3.1 无人机搭载RGB相机在作物表型信息获取中的应用 |
| 1.3.2 无人机搭载多光谱或高光谱相机在作物表型信息获取中的应用 |
| 1.4 无人机遥感作物表型信息获取存在的问题 |
| 1.5 研究内容和技术路线 |
| 1.6 本章小结 |
| 第二章 材料与方法 |
| 2.1 试验材料 |
| 2.1.1 试验品种 |
| 2.1.2 田间试验设计 |
| 2.2 实验仪器 |
| 2.2.1 基于RGB和多光谱成像融合的微小型无人机遥感系统 |
| 2.2.2 Cubert UHD185无人机高光谱遥感系统 |
| 2.2.3 Gaia Sky-mini无人机高光谱遥感系统 |
| 2.2.4 SPAD-502型叶绿素仪 |
| 2.2.5 LAI-2200C植物冠层分析仪 |
| 2.3 遥感图像的获取和处理 |
| 2.3.1 无人机飞行参数设置 |
| 2.3.2 低空多光谱遥感图像拼接 |
| 2.4 光谱预处理方法 |
| 2.4.1 平滑算法 |
| 2.4.2 变量标准化 |
| 2.4.3 多元散射校正 |
| 2.4.4 去趋势算法 |
| 2.4.5 导数处理 |
| 2.4.6 小波变换 |
| 2.5 特征变量选择算法 |
| 2.5.1 连续投影算法 |
| 2.5.2 加权回归系数 |
| 2.5.3 遗传算法 |
| 2.5.4 无信息变量消除算法 |
| 2.5.5 导数光谱 |
| 2.5.6 竞争性自适应加权采样法 |
| 2.5.7 随机蛙跳 |
| 2.6 机器学习算法 |
| 2.6.1 多元线性回归 |
| 2.6.2 偏最小二乘 |
| 2.6.3 径向基函数神经网络 |
| 2.6.4 极限学习机 |
| 2.6.5 最小二乘支持向量机 |
| 2.6.6 反向传播神经网络 |
| 2.6.7 支持向量机 |
| 2.6.8 K均值聚类 |
| 2.7 模型评价指标 |
| 2.8 数据处理软件 |
| 2.9 本章小结 |
| 第三章 基于RGB和多光谱成像融合的无人机遥感系统对油菜花数目估算 |
| 3.1 引言 |
| 3.2 遥感图像采集与处理 |
| 3.2.1 试验设计 |
| 3.2.2 RGB相机和多光谱相机融合的无人机低空遥感系统 |
| 3.2.3 数据采集 |
| 3.2.4 无人机低空遥感RGB图像拼接 |
| 3.2.5 无人机低空遥感多光谱图像拼接 |
| 3.2.6 辐射定标 |
| 3.2.7 基于CIELAB颜色空间的K-means算法分割RGB图像 |
| 3.2.8 植被指数的选取 |
| 3.3 结果和分析 |
| 3.3.1 基于RGB图像分割计算油菜花覆盖度 |
| 3.3.2 基于K-means算法三个时期油菜花分割结果 |
| 3.3.3 多光谱窄波段植被指数的选取 |
| 3.3.4 RGB植被指数相关性分析和方差分析 |
| 3.3.5 基于RGB和多光谱融合的油菜花数目预测 |
| 3.3.6 基于遗传算法的变量选择和模型简化 |
| 3.4 本章小结 |
| 第四章 基于无人机多光谱和高光谱遥感系统的油菜氮素诊断和叶面积指数预测 |
| 4.1 引言 |
| 4.2 遥感图像采集与处理 |
| 4.2.1 油菜田间试验设计 |
| 4.2.2 无人机低空遥感作业 |
| 4.2.3 无人机低空遥感多光谱图像处理 |
| 4.2.4 无人机低空遥感高光谱图像处理 |
| 4.2.5 辐射定标 |
| 4.2.6 地面数据的采集 |
| 4.2.7 多光谱窄波段植被指数 |
| 4.2.8 高光谱成像系统植被指数选取 |
| 4.3 油菜理化值统计分析及光谱特征 |
| 4.3.1 大田油菜的SPAD和LAI统计分析 |
| 4.3.2 不同氮梯度下油菜花期的光谱特征 |
| 4.4 基于无人机多光谱成像的油菜SPAD和LAI预测模型研究 |
| 4.4.1 基于全波段光谱的油菜SPAD和LAI预测 |
| 4.4.2 多光谱窄波段植被指数的选取 |
| 4.4.3 基于窄波段植被指数对油菜SPAD和LAI预测 |
| 4.5 基于UHD185无人机高光谱系统的油菜SPAD和LAI预测模型研究 |
| 4.5.1 特征波长的选择和比较 |
| 4.5.2 基于特征波长的回归分析模型 |
| 4.5.3 窄波段植被指数最优化 |
| 4.5.4 植被指数与油菜SPAD及LAI的相关性分析和方差分析 |
| 4.5.5 基于植被指数对油菜SPAD和LAI预测 |
| 4.6 本章小结 |
| 第五章 基于RGB和多光谱成像融合的无人机遥感系统对油菜田间产量预测 |
| 5.1 引言 |
| 5.2 遥感图像采集与处理 |
| 5.2.1 试验设计 |
| 5.2.2 无人机飞行作业 |
| 5.2.3 大田油菜产量测定 |
| 5.2.4 无人机低空遥感图像拼接 |
| 5.2.5 辐射定标 |
| 5.2.6 植被指数的选取 |
| 5.3 结果和分析 |
| 5.3.1 大田油菜实测产量统计分析 |
| 5.3.2 不同氮梯度下油菜角果期的光谱特征 |
| 5.3.3 基于全波段光谱的油菜产量预测 |
| 5.3.4 窄波段植被指数的选取 |
| 5.3.5 RGB植被指数相关性分析和方差分析 |
| 5.3.6 基于植被指数的油菜产量预测 |
| 5.3.7 基于遗传算法的变量选择和模型简化 |
| 5.4 本章小结 |
| 第六章 基于无人机高光谱遥感系统的油菜田间产量预测 |
| 6.1 引言 |
| 6.2 试验设计及地面数据采集 |
| 6.2.1 试验设计 |
| 6.2.2 大田油菜产量测定 |
| 6.3 无人机低空高光谱遥感图像获取 |
| 6.3.1 无人机高光谱遥感系统 |
| 6.3.2 试验参数选择 |
| 6.4 无人机低空高光谱遥感图像处理 |
| 6.4.1 图像拼接 |
| 6.4.2 辐射定标 |
| 6.4.3 植被指数选取 |
| 6.5 结果和分析 |
| 6.5.1 大田油菜实测产量统计分析 |
| 6.5.2 不同预处理方法对油菜产量预测的影响 |
| 6.5.3 光谱特征分析 |
| 6.5.4 特征波长选择和比较 |
| 6.5.5 基于特征波长对油菜产量预测 |
| 6.5.6 窄波段植被指数最优化 |
| 6.5.7 植被指数与油菜产量的相关性分析和方差分析 |
| 6.5.8 基于植被指数对油菜产量预测 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要结论 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简介 |
（9）青海省土壤有机质、全碳、全氮高光谱遥感估算研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外土壤属性高光谱研究综述 |
| 1.2.1 土壤光谱特征研究 |
| 1.2.2 土壤有机质、全碳、全氮含量高光谱估算研究 |
| 1.3 研究内容和目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 技术路线 |
| 第二章 数据源及数据处理 |
| 2.1 研究区概况 |
| 2.1.1 三江源区概况 |
| 2.1.2 湟水流域概况 |
| 2.1.3 青海省土壤概况 |
| 2.2 土壤样本的采集与土壤属性的测定 |
| 2.2.1 土壤样本的采集与处理 |
| 2.2.2 土壤样本理化性质的测定 |
| 2.2.3 有机质、全氮、全碳理化性质统计 |
| 第三章 土壤光谱数据的测定及光谱预处理 |
| 3.1 土壤样本光谱的测定 |
| 3.2 断点及边缘光谱去除 |
| 3.3 光谱数据预处理 |
| 3.3.1 异常值的剔除 |
| 3.3.2 光谱增强平滑 |
| 3.3.3 光谱数学变换 |
| 第四章 土壤光谱特征分析 |
| 4.1 三江源区与湟水流域土壤类型的光谱特征分析 |
| 4.2 三江源区与湟水流域相同土壤类型光谱反射率对比分析 |
| 4.3 不同等级有机质含量的光谱特征分析 |
| 4.4 基于土壤光谱与模糊K均值的土壤分类 |
| 4.4.1 模糊K均值聚类 |
| 4.4.2 基于光谱反射率的全局土壤分类 |
| 4.4.3 基于包络线去除变换的土壤光谱全局土壤分类 |
| 第五章 光谱特征波段提取与校正集的确定 |
| 5.1 光谱特征波段提取 |
| 5.1.1 土壤特征波段提取方法 |
| 5.1.2 结果与分析 |
| 5.1.2.1 土壤有机质特征波段提取 |
| 5.1.2.2 土壤全氮、全碳的特征波段提取 |
| 5.2 校正样本的选择 |
| 第六章 有机质、全氮、全碳含量高光谱估算 |
| 6.1 模型方法 |
| 6.1.1 偏最小二乘回归(PLSR) |
| 6.1.2 随机森林(RF) |
| 6.2 模型精度评价指标 |
| 6.3 结果与分析 |
| 6.3.1 湟水流域土壤有机质、全氮、全碳含量估算 |
| 6.3.1.1 全波段与特征波段的PLSR模型 |
| 6.3.1.2 全波段与特征波段的RF模型 |
| 6.3.2 三江源区土壤有机质、全氮、全碳含量估算 |
| 6.3.2.1 全波段与特征波段的PLSR模型 |
| 6.3.2.2 全波段与特征波段RF模型 |
| 6.3.1 全局与模糊K均值分类的土壤有机质、全氮、全碳含量估算 |
| 6.3.1.1 全波段与特征波段PLSR模型 |
| 6.3.1.2 全波段与特征波段RF模型 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）面向典型任务的无人群体智能感知与行为协同开发框架研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 环境感知技术研究进展 |
| 1.2.2 无人集群行为协同开发框架研究进展 |
| 1.3 本文的工作内容和论文结构 |
| 1.3.1 工作内容 |
| 1.3.2 论文结构 |
| 第二章 主动光谱感知技术 |
| 2.1 主动光谱感知技术简介 |
| 2.2 主动光谱感知技术实验研究 |
| 2.2.1 实验简介 |
| 2.2.2 实验结果与分析 |
| 2.3 本章总结 |
| 第三章 主动光谱智能感知软硬件一体化设计 |
| 3.1 主动光谱智能感知硬件系统 |
| 3.1.1 短波红外高光谱成像仪 |
| 3.1.2 超连续谱激光光源 |
| 3.1.3 超快响应非线性宽光谱元器件 |
| 3.1.4 消色差大功率激光整形光学系统 |
| 3.1.5 一体化结构设计与研制 |
| 3.2 主动光谱智能感知软件系统 |
| 3.2.1 基于角色的数据融合 |
| 3.2.2 多传感器数据融合 |
| 3.2.3 目标普查功能设计 |
| 3.2.4 特定目标祥查功能设计 |
| 3.2.5 高光谱数据库 |
| 3.2.6 工作模式设计 |
| 3.3 本章总结 |
| 第四章 智能高光谱数据处理平台 |
| 4.1 高光谱数据可视化功能简介 |
| 4.1.1 已知目标检测与分类 |
| 4.1.2 未知类别目标检测功能介绍 |
| 4.1.3 目标详查功能介绍 |
| 4.1.4 算法介绍 |
| 4.2 高光谱数据可视化系统 |
| 4.2.1 系统组成及逻辑结构 |
| 4.2.2 系统功能模块划分 |
| 4.2.3 接口与界面设计 |
| 4.2.4 错误处理设计 |
| 4.3 目标普查与详查功能实现 |
| 4.3.1 目标普查功能实现 |
| 4.3.2 目标详查功能实现 |
| 4.4 本章总结 |
| 第五章 面向典型任务的无人群体行为协同开发框架 |
| 5.1 基于ROS平台的自主行为机制 |
| 5.1.1 基于ROS平台的无人系统行为描述 |
| 5.1.2 多无人系统行为协同机制模型 |
| 5.2 基于ROS的无人集群行为协同模型封装 |
| 5.2.1 模型封装总体结构 |
| 5.2.2 信息流控制元件的封装 |
| 5.3 实验验证 |
| 5.3.1 开发框架中无人系统自主协同实验 |
| 5.3.2 开发框架中多无人系统协同实验 |
| 5.4 本章总结 |
| 第六章 全文总结 |
| 6.1 工作总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于模糊神经网络的高光谱数据挖掘方法（论文参考文献）
- [1]基于超宽带信号的土壤特征与数据挖掘研究[D]. 杨成浩. 电子科技大学, 2021(01)
- [2]高光谱和多光谱图像融合方法研究[D]. 佃仁伟. 湖南大学, 2020(02)
- [3]基于自编码器网络的高光谱图像聚类[D]. 潘博. 辽宁工程技术大学, 2020(02)
- [4]基于数据挖掘的城市食品质量安全知识发现与情报提取[D]. 邵航. 武汉理工大学, 2020(08)
- [5]基于深度生成对抗模型的高光谱遥感影像分类研究[D]. 王雪. 中国矿业大学, 2019(04)
- [6]基于聚类的高光谱图像压缩技术研究[D]. 张燕琪. 重庆邮电大学, 2019(01)
- [7]基于云计算的作物灾害光谱图像数据挖掘与应用技术研究[D]. 夏吉安. 南京理工大学, 2019(01)
- [8]基于无人机低空遥感的油菜表型信息获取方法研究[D]. 朱红艳. 浙江大学, 2019
- [9]青海省土壤有机质、全碳、全氮高光谱遥感估算研究[D]. 肖云飞. 青海师范大学, 2019(01)
- [10]面向典型任务的无人群体智能感知与行为协同开发框架研究[D]. 郭中源. 国防科技大学, 2019(01)