本书以林下参光环境为研究对象，在前期研究成果基础上，提出一种非线性快速傅里叶分解算法来解决光环境实测信号的*干扰噪声，同时运用机器学习和模式识别理论，构建了基于偏*小二乘回归算法（PLS）的净光合速率分析模型和基于适应神经网络模糊推理系统方法（ANFIS）的净光合速率预测模型，并通过对有代表性的试验样地进行了的数据采样，验证了所建模型的有效性和可行性，进而利用自主设计的自适应数据处理算法，设计了开发林下
更多科学出版社服务，请扫码获取。
目录
前言
第1章 绪论 1
1.1 研究背景及意义 1
1.2 研究现状分析 3
1.2.1 光环境研究现状 3
1.2.2 试验数据的挖掘及处理 4
1.3 本书研究目标和研究内容 6
1.3.1 研究目标 6
1.3.2 研究内容 6
第2章 面向自适应数据处理的非线性Fourier分析方法 8
2.1 引言 8
2.2 理论基础 9
2.3 非线性Fourier展开 10
2.4 快速稀疏非线性Fourier展开 14
2.5 算法与算例 18
2.5.1 算法 18
2.5.2 算例 20
2.5.3 算法应用 22
第3章 基于机器学习的模式识别理论 25
3.1 引言 25
3.2 模式识别理论基础 25
3.2.1 模式识别概述 25
3.2.2 模型预测方法 26
3.3 机器学习及常用算法 27
3.3.1 机器学习的理论基础 27
3.3.2 偏最小二乘算法 30
3.4 智能算法及常见算法 33
3.4.1 智能算法 33
3.4.2 自适应神经模糊推理方法 34
第4章 林下参种植光环境动态预测模型研究 39
4.1 引言 39
4.2 试验地点与试验方法 39
4.2.1 试验地点 39
4.2.2 试验方法及仪器设备 40
4.3 红松的树木生长模型研究 40
4.3.1 红松冠幅生长预估模型 40
4.3.2 红松冠长生长预估模型 45
4.3.3 红松单木基本树高预估模型 48
4.4 林下参净光合速率预测模型研究 49
4.4.1 基于PLS的净光合速率预测模型 52
4.4.2 基于ANFIS的净光合速率预测模型 67
4.5 模型的检验 72
第5章 林下参种植光环境敢据采集系统 72
5.1 引言 72
5.2 系统的软件体系 72
5.3 系统的硬件架构 78
第6章 林下参种植光环境预测及评价方法研究 87
6.1 引言 87
6.2 林下参种植光环境预测与评价方法 87
6.2.1 林下参种植光环境的预测 87
6.2.2 林下参种植光环境的评价 88
6.2.3 基于模糊推理系统的光环境综合评价模型 88
6.3 林下参种植光环境预测与评价系统体系结构 100
6.3.1 预测模块 101
6.3.2 评价摸块 101
6.3.3 帮助模块 114
第7章 总结 115
参考文献 116
书单推荐
