| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7-8页 |
| ·高光谱图像技术无损检测水果的研究现状 | 第8-9页 |
| ·高光谱图像最优波段选择的意义 | 第9-10页 |
| ·高光谱图像最优波段选择的研究现状 | 第10-11页 |
| ·本论文的主要研究工作 | 第11-13页 |
| 第二章 高光谱图像技术及实验数据 | 第13-21页 |
| ·引言 | 第13页 |
| ·高光谱图像技术概述 | 第13-14页 |
| ·高光谱散射图像采集系统简介 | 第14-15页 |
| ·苹果样本 | 第15页 |
| ·苹果样本高光谱散射图像的采集 | 第15-16页 |
| ·高光谱图像特征提取方法 | 第16-18页 |
| ·扩散理论模型 | 第17页 |
| ·洛伦兹分布函数拟合法 | 第17页 |
| ·平均反射法 | 第17-18页 |
| ·获取苹果样本的硬度实测值和糖度的实测值 | 第18页 |
| ·样本集划分 | 第18-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于UVE-PLS 投影分析的高光谱散射图像波段选择 | 第21-33页 |
| ·引言 | 第21页 |
| ·无信息变量消除算法原理 | 第21页 |
| ·PLS 投影分析算法原理 | 第21-22页 |
| ·苹果样本硬度的实验结果与讨论 | 第22-26页 |
| ·样本的高光谱曲线特征 | 第22-23页 |
| ·评价预测模型性能的参数 | 第23页 |
| ·UVE 用于样本硬度的最优波段选择 | 第23-24页 |
| ·PLS 投影分析算法用于样本硬度的最优波段选择 | 第24-25页 |
| ·UVE-PLS 投影分析算法用于样本硬度的最优波段选择 | 第25-26页 |
| ·苹果样本糖度的实验结果与讨论 | 第26-29页 |
| ·UVE 用于样本糖度的最优波段选择 | 第26-27页 |
| ·PLS 投影分析用于样本糖度的最优波段选择 | 第27-28页 |
| ·UVE-PLS 投影分析算法用于样本糖度的最优波段选择 | 第28-29页 |
| ·与遗传算法波段选择比较 | 第29-31页 |
| ·遗传算法波段选择的原理 | 第29-30页 |
| ·遗传算法波段选择用于样本硬度和糖度波段选择 | 第30-31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于高光谱散射图像的苹果内部品质预测融合模型 | 第33-43页 |
| ·引言 | 第33页 |
| ·聚类算法在波段选择方面的应用 | 第33页 |
| ·近邻传播聚类原理(AP) | 第33-34页 |
| ·半监督近邻传播聚类(SAP) | 第34-35页 |
| ·BP 神经网络融合模型 | 第35-36页 |
| ·本章结果与分析 | 第36-41页 |
| ·AP 和SAP 用于样本硬度的最优波段选择 | 第36-37页 |
| ·UVE 和SAP 的样本硬度的BP 神经网络融合模型 | 第37-39页 |
| ·AP 和SAP 用于样本糖度的最优波段选择 | 第39-40页 |
| ·UVE 和AP 的样本糖度的BP 神经网络融合模型 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 新的半监督近邻传播用于高光谱散射图像波段选择 | 第43-51页 |
| ·引言 | 第43页 |
| ·高维数据聚类的问题 | 第43页 |
| ·一个适合高维数据的相似性度量函数 | 第43-44页 |
| ·一种新的半监督近邻传播算法(NSAP) | 第44-45页 |
| ·NSAP 用于样本硬度的高光谱散射图像波段选择 | 第45-47页 |
| ·NSAP 用于样本硬度的最优波段选择 | 第45页 |
| ·NSAP 用于样本硬度时与传统波段选择算法的比较 | 第45-46页 |
| ·NSAP 用于样本硬度时与传统近邻传播算法波段选择的比较 | 第46-47页 |
| ·NSAP 用于样本糖度的高光谱散射图像波段选择 | 第47-49页 |
| ·NSAP 用于样本糖度的最优波段选择 | 第47页 |
| ·NSAP 用于样本糖度时与传统波段选择算法的比较 | 第47-48页 |
| ·NSAP 用于样本糖度时与传统近邻传播算法波段选择的比较 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·总结 | 第51-52页 |
| ·展望 | 第52-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第59页 |
