內(nèi)容背景涉及計(jì)算機(jī)信息技術(shù)在農(nóng)業(yè)工程中的應(yīng)用。以當(dāng)前農(nóng)業(yè)工程中農(nóng)作物、農(nóng)產(chǎn)品的內(nèi)部信息檢測為背景,介紹了農(nóng)作物、農(nóng)產(chǎn)品信息無損檢測的必要性以及傳統(tǒng)的檢測方法的弊端,介紹了當(dāng)前無損檢測的諸多光譜學(xué)方法(近紅外光譜、可見光光譜、高光譜圖像、熒光光譜)及電特性方法,介紹了一些數(shù)據(jù)預(yù)處理、特征提取、數(shù)學(xué)建模的算法,通過構(gòu)建預(yù)測檢測模型,解決了常見作物(水稻、玉米、生菜、油麥菜、桑葉、煙草)的營養(yǎng)元素、水分、農(nóng)殘等狀況以及農(nóng)產(chǎn)品(大米、紅豆、雞蛋)的品質(zhì)的無損檢測問題。通過模型衡量指標(biāo)分析,表明模型的檢測精度可達(dá)到實(shí)際應(yīng)用的要求。
1 概述
1.1 農(nóng)作物/農(nóng)產(chǎn)品信息的光譜技術(shù)檢測
1.1.1 光譜技術(shù)在農(nóng)作物檢測中的應(yīng)用
1.1.2 光譜技術(shù)在農(nóng)作物農(nóng)藥殘留檢測中的應(yīng)用
1.2 農(nóng)作物/農(nóng)產(chǎn)品信息的電特性技術(shù)檢測
1.2.1 介電特性技術(shù)在水果品質(zhì)檢測中的應(yīng)用
1.2.2 介電特性技術(shù)在糧食含水率檢測中的應(yīng)用
1.2.3 介電特性在葉片含水率檢測中的應(yīng)用
參考文獻(xiàn)
2 光譜預(yù)處理算法
2.1 savitzky-Golay多項(xiàng)式平滑
2.2 移動(dòng)平均平滑
2.3 多元散射校正算法
2.4 標(biāo)準(zhǔn)正態(tài)變量變換和去趨勢算法
2.5 導(dǎo)數(shù)變換算法
2.6 正交信號校正算法
2.7 小波閾值
2.8 小波分段
參考文獻(xiàn)
3 光譜特征選取方法
3.1 逐步回歸分析
3.2 連續(xù)投影算法
3.3 權(quán)重回歸系數(shù)法
3.4 主成分分析
3.5 競爭性自適應(yīng)加權(quán)算法
3.6 LDA算法
3.7 LPP算法
3.8 SLPP算法
3.9 離散小波變換
3.10 分段離散小波變換
參考文獻(xiàn)
4 定性分析方法
4.1 支持向量機(jī)
4.2 K最近鄰分類器
4.3 Adaboost-SVM及Adaboost-KNN
4.4 MSCPSO-SVM
4.5 極限學(xué)習(xí)機(jī)
4.6 Fisher判別分析
4.7 馬氏距離判別分析
參考文獻(xiàn)
5 定量分析方法
5.1 一元回歸算法
5.2 多元線性回歸
5.3 BP神經(jīng)網(wǎng)絡(luò)及改進(jìn)算法
5.3.1 BP神經(jīng)網(wǎng)絡(luò)
5.3.2 基于貝葉斯算法的BP網(wǎng)絡(luò)
5.3.3 基于L-M算法的BP網(wǎng)絡(luò)
5.3.4 遺傳神經(jīng)網(wǎng)絡(luò)
5.3.5 基于思維進(jìn)化優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
5.3.6 PNN神經(jīng)網(wǎng)絡(luò)
5.3.7 GA—PNN神經(jīng)網(wǎng)絡(luò)
5.4 支持向量機(jī)回歸算法及其改進(jìn)
5.4.1 支持向量機(jī)回歸算法
5.4.2 GA-LS-SVM算法
5.5 ABC-SVR
參考文獻(xiàn)
6 水稻信息檢測
6.1 樣本培育
6.1.1 栽培方法
6.1.2 水稻光譜數(shù)據(jù)測定
6.1.3 水稻葉片水分含量與氮素含量的測定