呼倫貝爾智慧草原關(guān)鍵技術(shù)及應(yīng)用

前言
1 緒論
1.1 研究背景
1.2 研究需求和意義
1.3 外研究現(xiàn)狀
1.3.1 多源異構(gòu)數(shù)據(jù)協(xié)同研究
1.3.2 草畜平衡研究
1.4 研究內(nèi)容及主要貢獻
1.5 本書結(jié)構(gòu)安排
1.6 小結(jié)
2 基于物聯(lián)網(wǎng)的動態(tài)草畜平衡系統(tǒng)及其關(guān)鍵技術(shù)
2.1 研究區(qū)域概況
2.2 多源異構(gòu)數(shù)據(jù)介紹
2.2.1 氣象傳感數(shù)據(jù)
2.2.2 衛(wèi)星遙感數(shù)據(jù)NDVI
2.2.3 關(guān)鍵氣象傳感數(shù)據(jù)的確定
2.3 草畜平衡概述
2.4 草畜平衡系統(tǒng)
2.5 動態(tài)草畜平衡系統(tǒng)及其關(guān)鍵技術(shù)
2.5.1 動態(tài)草畜平衡系統(tǒng)
2.5.2 動態(tài)草畜平衡系統(tǒng)的關(guān)鍵技術(shù)
2.6 小結(jié)
3 基于神經(jīng)網(wǎng)絡(luò)的降水量時間數(shù)據(jù)自回歸預測模型
3.1 人工神經(jīng)網(wǎng)絡(luò)模型概述
3.1.1 人工神經(jīng)網(wǎng)絡(luò)的定義
3.1.2 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展概述
3.1.3 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.1.4 人工神經(jīng)網(wǎng)絡(luò)學習方式
3.1.5 靜態(tài)與動態(tài)神經(jīng)網(wǎng)絡(luò)
3.2 基于BPNN的降水量自回歸預測模型
3.2.1 BPNN的建模方法
3.2.2 基于BPNN的降水量自回歸預測建模及結(jié)果分析
3.3 基于TDNN的降水量自回歸預測模型
3.3.1 TDNN的建模方法
3.3.2 基于TDNN的降水量自回歸預測建模及結(jié)果分析
3.4 基于NARX的降水量自回歸預測模型
3.4.1 NARX的建模方法
3.4.2 基于NARX的降水量自回歸預測建模及結(jié)果分析
3.5 三種用于降水量自回歸預測的神經(jīng)網(wǎng)絡(luò)模型比較
3.6 小結(jié)
4 基于神經(jīng)網(wǎng)絡(luò)的多源異構(gòu)時間數(shù)據(jù)協(xié)同模型
4.1 基于神經(jīng)網(wǎng)絡(luò)的多源異構(gòu)數(shù)據(jù)協(xié)同方法
4.2 基于BPNN的多源異構(gòu)數(shù)據(jù)協(xié)同模型
4.2.1 基于BPNN的多源異構(gòu)數(shù)據(jù)協(xié)同模型結(jié)構(gòu)
4.2.2 基于BPNN的多源異構(gòu)數(shù)據(jù)協(xié)同結(jié)果分析
4.3 基于TDNN的多源異構(gòu)數(shù)據(jù)協(xié)同模型
4.3.1 基于TDNN的多源異構(gòu)數(shù)據(jù)協(xié)同模型結(jié)構(gòu)
4.3.2 基于TDNN的多源異構(gòu)數(shù)據(jù)協(xié)同結(jié)果分析
4.4 基于NARX的多源異構(gòu)數(shù)據(jù)協(xié)同模型
4.4.1 基于NARX的多源異構(gòu)數(shù)據(jù)協(xié)同模型結(jié)構(gòu)