面向设备的玉米种子快速鉴别技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 前言 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1 玉米品种真实性鉴别的研究意义 | 第10-11页 |
| 1.1.2 种子鉴别领域近红外光谱分析技术的应用 | 第11页 |
| 1.1.3 近红外鉴别技术模型传递实现的意义 | 第11页 |
| 1.1.4 嵌入式系统应用的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 近红外光谱分析技术的国外发展状况 | 第13页 |
| 1.2.2 近红外光谱分析技术的国内发展状况 | 第13-14页 |
| 1.3 课题主要研究内容及技术难点 | 第14-16页 |
| 1.3.1 课题主要研究内容 | 第14-15页 |
| 1.3.2 主要技术难点和创新点 | 第15-16页 |
| 第2章 近红外定性分析技术 | 第16-28页 |
| 2.1 近红外光谱的特征 | 第16-17页 |
| 2.2 光谱预处理方法 | 第17-19页 |
| 2.2.1 平滑方法 | 第17-18页 |
| 2.2.2 导数方法 | 第18页 |
| 2.2.3 中心化及标准化处理 | 第18页 |
| 2.2.4 数据归一化处理 | 第18页 |
| 2.2.5 多元散射校正 | 第18-19页 |
| 2.2.6 标准正态变量校正 | 第19页 |
| 2.3 特征提取方法 | 第19-22页 |
| 2.3.1 主成分分析 | 第20页 |
| 2.3.2 基于偏最小二乘特征提取算法 | 第20-21页 |
| 2.3.3 线性鉴别分析 | 第21-22页 |
| 2.4 常用模式分类算法 | 第22-24页 |
| 2.4.1 最近邻分类 | 第22-23页 |
| 2.4.2 最小距离分类 | 第23页 |
| 2.4.3 径向基神经网络 | 第23-24页 |
| 2.5 仿生模式识别 | 第24-27页 |
| 2.5.1 仿生模式识别原理 | 第25-26页 |
| 2.5.2 超香肠神经基元 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 模型传递方法研究 | 第28-42页 |
| 3.1 隐马尔可夫模型用于玉米种子品种鉴别 | 第28-34页 |
| 3.1.1 实验数据 | 第29页 |
| 3.1.2 建模过程 | 第29-31页 |
| 3.1.3 实验结果与分析 | 第31-33页 |
| 3.1.4 结论 | 第33-34页 |
| 3.2 BP神经网络方法用于模型传递 | 第34-40页 |
| 3.2.1 BP训练算法实现步骤 | 第35-37页 |
| 3.2.2 实验过程 | 第37-40页 |
| 3.2.3 结论 | 第40页 |
| 3.3 本章小结 | 第40-42页 |
| 第4章 近红外定性分析新型建模方法研究 | 第42-53页 |
| 4.1 数据采集与建模算法 | 第42-46页 |
| 4.2 单台仪器建模 | 第46-49页 |
| 4.2.1 同一台仪器建模 | 第46-48页 |
| 4.2.2 单台仪器建模的局限性 | 第48-49页 |
| 4.3 多台仪器联合建模 | 第49-51页 |
| 4.3.1 多仪器同一天联合建模 | 第50-51页 |
| 4.3.2 多仪器多天联合建模 | 第51页 |
| 4.4 本章总结 | 第51-53页 |
| 第5章 近红外定性分析鉴别系统设计 | 第53-64页 |
| 5.1 近红外鉴别系统硬件设计 | 第53-56页 |
| 5.1.1 硬件设备主框架图 | 第53-55页 |
| 5.1.2 硬件模块 | 第55-56页 |
| 5.2 近红外鉴别系统软件设计 | 第56-59页 |
| 5.2.1 系统软件整体框架 | 第56-58页 |
| 5.2.2 系统数据库设计 | 第58-59页 |
| 5.3 系统功能模块的实现 | 第59-63页 |
| 5.4 系统实物图 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 致谢 | 第70页 |
