| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第10-16页 |
| 1.1 问题背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.3.1 检测方法研究现状 | 第11-12页 |
| 1.3.2 在线检测系统研制现状 | 第12-13页 |
| 1.3.3 对已有研究的思考和分析 | 第13页 |
| 1.4 本文的工作及创新点 | 第13-15页 |
| 1.5 技术路线 | 第15-16页 |
| 2 实验材料与方法 | 第16-26页 |
| 2.1 试验装置与信号采集 | 第16-17页 |
| 2.2 材料 | 第17-20页 |
| 2.2.1 西瓜样本 | 第17页 |
| 2.2.2 含糖量检测 | 第17-20页 |
| 2.2.3 西瓜成熟度分级 | 第20页 |
| 2.3 信号预处理 | 第20-24页 |
| 2.3.1 信号截取 | 第21-23页 |
| 2.3.2 信号无量纲化 | 第23-24页 |
| 2.4 西瓜声信号样本 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于核主成分分析的西瓜敲击响应特征提取 | 第26-34页 |
| 3.1 主成分分析（PCA） | 第26-30页 |
| 3.1.1 理论 | 第26-28页 |
| 3.1.2 PCA算法介绍 | 第28-29页 |
| 3.1.3 PCA特征提取 | 第29-30页 |
| 3.2 核主成分分析（KPCA） | 第30-34页 |
| 3.2.1 理论 | 第31-32页 |
| 3.2.2 KPCA算法介绍 | 第32-33页 |
| 3.2.3 KPCA特征提取 | 第33-34页 |
| 4 极限学习机（ELM）及其理论分析 | 第34-49页 |
| 4.1 极限学习机（ELM） | 第34-36页 |
| 4.1.1 单隐层前馈神经网络（SLFN） | 第35-36页 |
| 4.1.2 ELM算法描述 | 第36页 |
| 4.2 ELM算法的泛化能力分析 | 第36-44页 |
| 4.2.1 独立样本的正则ELM分析 | 第37-38页 |
| 4.2.2 基于Markov chain采样的正则ELM分析 | 第38-44页 |
| 4.3 ELM实验分析 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 西瓜成熟度判别的极限学习机（ELM）模型 | 第49-57页 |
| 5.1 概述 | 第49页 |
| 5.2 样本集划分方法 | 第49页 |
| 5.3 西瓜成熟度定性判别研究 | 第49-53页 |
| 5.3.1 极限学习机（ELM）判别 | 第50-51页 |
| 5.3.2 核函数对特征提取的影响 | 第51-53页 |
| 5.4 判别模型对比分析 | 第53-55页 |
| 5.4.1 K最近邻（KNN）判别 | 第53页 |
| 5.4.2 BP神经网络（BP）判别 | 第53-54页 |
| 5.4.3 支持向量机（SVM）判别 | 第54-55页 |
| 5.4.4 不同判别模型的速率对比分析 | 第55页 |
| 5.5 本章小结 | 第55-57页 |
| 6 西瓜含糖量的极限学习机（ELM）模型 | 第57-61页 |
| 6.1 概述 | 第57页 |
| 6.2 西瓜含糖量定量回归研究 | 第57-60页 |
| 6.2.1 极限学习机（ELM）回归 | 第57-58页 |
| 6.2.2 偏最小二乘（PLS）回归 | 第58页 |
| 6.2.3 BP神经网络回归 | 第58-59页 |
| 6.2.4 支持向量回归（SVR） | 第59-60页 |
| 6.3 本章小结 | 第60-61页 |
| 7 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-67页 |
| 致谢 | 第67页 |