支持向量機與優(yōu)化算法在林下參光環(huán)境評價系統(tǒng)中的研究

第1章緒論
1.1機器學習背景
1.2支持向量機簡介
1.3林下參光環(huán)境研究現(xiàn)狀
1.4相關(guān)研究存在的問題
1.5本書研究目標和研究內(nèi)容
1.5.1研究目標
1.5.2研究內(nèi)容
1.6本章小結(jié)
第2章支持向量機
2.1引言
2.2最優(yōu)分類超平面理論
2.2.1線性可分情況
2.2.2非線性可分情況
2.3相似程度與內(nèi)積第1章緒論
1.1機器學習背景
1.2支持向量機簡介
1.3林下參光環(huán)境研究現(xiàn)狀
1.4相關(guān)研究存在的問題
1.5本書研究目標和研究內(nèi)容
1.5.1研究目標
1.5.2研究內(nèi)容
1.6本章小結(jié)
第2章支持向量機
2.1引言
2.2最優(yōu)分類超平面理論
2.2.1線性可分情況
2.2.2非線性可分情況
2.3相似程度與內(nèi)積
2.3.1相似程度概述
2.3.2兩點相似程度與內(nèi)積關(guān)系
2.3.3三點相似程度與內(nèi)積關(guān)系
2.3.4線性分類機與內(nèi)積關(guān)系
2.4核函數(shù)的引入
2.4.1二次分劃問題
2.4.2核函數(shù)原理
2.5常見核函數(shù)與性能分析
2.5.1常見核函數(shù)
2.5.2常見核函數(shù)的性能分析
2.6核函數(shù)的構(gòu)造與性能分析
2.6.1核函數(shù)的構(gòu)造
2.6.2構(gòu)造核函數(shù)的性能分析
2.7本章小結(jié)
第3章優(yōu)化算法
3.1引言
3.2進化類算法
3.2.1進化型算法介紹
3.2.2遺傳算法
3.3群智能算法
3.3.1群智能算法介紹
3.3.2粒子群算法
3.3.3追蹤算法
3.4三種算法性能比較
3.4.1尋找Needle—in—a—haystack函數(shù)的全局最優(yōu)解
3.4.2尋找Schaffer函數(shù)的全局最優(yōu)解
3.5本章小結(jié)
第4章林下參光照強度實時監(jiān)控系統(tǒng)構(gòu)建
4.1引言
4.2林下光照強度實時監(jiān)控系統(tǒng)構(gòu)建
4.2.1光照強度測定方法
4.2.2主機與從機接口
4.2.3主機與上位機接口
4.2.4系統(tǒng)數(shù)據(jù)傳輸可靠性分析
4.2.5從機不同分布對光照強度測試結(jié)果影響分析
4.2.6多套單個主機、10個從機組成的系統(tǒng)組合分析
4.2.7上位機控制光照強度測定分析
4.3本章小結(jié)
第5章林下參凈光合速率預(yù)測模型
5.1引言
5.2光譜測定
5.3凈光合速率影響因素分析與數(shù)據(jù)處理
5.4支持向量機建模
5.5參數(shù)尋優(yōu)
5.6試驗結(jié)果分析
5.7本章小結(jié)
第6章核函數(shù)組合優(yōu)化光合有效輻射預(yù)測模型
6.1引言
6.2數(shù)據(jù)測定
6.3數(shù)據(jù)處理
6.4支持向量機建模
6.5試驗結(jié)果分析
6.6本章小結(jié)
第7章結(jié)論
參考文獻