声明
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 DBN的研究现状
1.2.2 重金属无损检测的研究现状
1.3 本文主要内容
1.3.1 主要研究内容
1.3.2 整体的框架结构安排
1.4 本章小结
第2章 相关算法研究
2.1 传统的光谱处理算法
2.1.1 光谱数据的降维算法
2.1.2 BP神经网络
2.2 深度生成模型算法
2.2.1 限制玻尔兹曼机模型
2.2.2 限制玻尔兹曼机的训练
2.2.3 深度信念网络的结构
2.2.4 深度信念网络的训练过程
2.3 群体智能寻优算法
2.3.1 粒子群优化算法
2.3.2 灰狼优化算法
2.4 模型的评价指标
2.5 本章小结
第3章 高光谱数据的采集
3.1 数据的获取
3.1.1 生菜样本的培育
3.1.2 高光谱图像的采集
3.1.3 生菜铅含量的测定
3.1.4 感兴趣区域的提取
3.2 数据的预处理
3.3 样本的划分
3.4 实验环境搭建
3.5 本章小结
第4章 基于传统机器学习算法预测生菜叶片铅含量
4.1 特征光谱数据的提取
4.1.1 SPA特征选择结果
4.1.2 PCA特征提取结果
4.2 基于BP模型的建结果分析
4.2.1 基于原始BP的生菜铅含量预测模型
4.2.2 基于PSO-BP的生菜铅含量预测模型
4.2.3 基于GWO-BP的生菜铅含量预测模型
4.2.4 不同BP模型的对比分析
4.3 本章小结
第5章 基于DB N预测生菜叶片铅含量
5.1 DBN模型预测生菜铅含量的流程
5.2 DBN参数优化实验
5.2.2 学习率对预测结果的影响
5.2.3 批量大小对预测结果的影响
5.3 本章小结
第6章 基于改进的DB N预测生菜叶片铅含量
6.1 基于PSO-DBN模型预测生菜叶片铅含量
6.2 基于GWO-DBN模型预测生菜叶片铅含量
6.3 模型对比分析
6.4 本章小结
第7章 总结与展望
7.1 本文内容的总结
7.2 展望
参考文献
致谢
攻读硕士学位期间获得的学术成果
江苏大学;
