中文摘要 | 第1-8页 |
Abstract | 第8-9页 |
第一章 绪论 | 第9-22页 |
·选题背景和国内外研究进展 | 第9-12页 |
·国外酒类原产地保真与识别技术研究进展 | 第9-11页 |
·蒸馏酒类原产地保真与识别技术研究进展 | 第11页 |
·原产地同位素特征研究进展 | 第11-12页 |
·原产地同位素检测分析方法 | 第12-18页 |
·ICP-MS在原产地同位素研究中的应用 | 第12-15页 |
·ICP-MS在原产地同位素研究中应用的特点 | 第12-14页 |
·ICP-MS的优点和缺陷 | 第14页 |
·ICP-MS的主要影响因素 | 第14页 |
·ICP-MS的技术进展情况 | 第14-15页 |
·ICP-OES在原产地研究中的应用 | 第15-17页 |
·ICP-OES工作特点 | 第16页 |
·ICP-OES的局限性 | 第16-17页 |
·酒类样品的微波消解前处理技术 | 第17-18页 |
·常用的微波消解体系 | 第17页 |
·微波消解法的特点 | 第17-18页 |
·统计分析和数据挖掘 | 第18-21页 |
·通常的聚类分析 | 第18页 |
·非线性分析 | 第18-19页 |
·人工神经网络 | 第19-21页 |
·人工神经网络简介 | 第19页 |
·人工神经网络基本工作特点 | 第19页 |
·神经网络应用酒类原产地识别 | 第19-20页 |
·痕量元素和同位素比分析需要克服的局限性 | 第20-21页 |
·研究内容与目标 | 第21页 |
·小结 | 第21-22页 |
第二章 ICP-MS和ICP-OES在茅台酒原产地域中的应用研究 | 第22-45页 |
·仪器与方法 | 第22-31页 |
·仪器和试剂 | 第22页 |
·实验与结果 | 第22-31页 |
·酒样前处理 | 第22页 |
·微波消解 | 第22-23页 |
·混标配制 | 第23-24页 |
·ICP-AES检测 | 第24-27页 |
·ICP-MS检测酒样微量元素及稳定同位素 | 第27-31页 |
·结果分析 | 第31-41页 |
·OES数据统计描述与样本组元素概率分布 | 第31-38页 |
·酒样中主要无机元素的分布情况 | 第38-41页 |
·检测结果讨论 | 第41-44页 |
·茅台地区酒类硼同位素比的研究 | 第41-44页 |
·统计分析 | 第41-44页 |
·茅台地区酒体元素差异原因分析 | 第44-45页 |
第三章 人工神经网络对茅台酒原产地识别技术研究 | 第45-67页 |
·人工神经网络模型基本原理 | 第45-54页 |
·人工神经网络概念 | 第45-47页 |
·人工神经网络的传递函数 | 第47-48页 |
·人工神经网络的学习 | 第48-49页 |
·网络的学习方式 | 第48-49页 |
·网络的学习算法 | 第49页 |
·误差反向传播BP神经网络 | 第49-54页 |
·BP神经网络结构 | 第49-51页 |
·BP网络学习过程 | 第51-52页 |
·BP算法中的信息流传递 | 第52页 |
·权值和误差的梯度下降计算 | 第52-54页 |
·误差反向传播流程及其解释 | 第54页 |
·人工神经网络原产地识别模型的方案优化 | 第54-55页 |
·BP网络的局限 | 第54页 |
·BP网络的优化方案 | 第54-55页 |
·基于BP网络的茅台酒模式识别网络的建立 | 第55-58页 |
·MATLAB神经网络工具箱 | 第55-56页 |
·网络结构的确定 | 第56-57页 |
·确定隐藏层神经元 | 第57页 |
·选取网络学习参数 | 第57-58页 |
·初始权值选取 | 第57页 |
·学习速率选取 | 第57-58页 |
·数据预处理 | 第58-59页 |
·酒样原始数据引入 | 第58页 |
·数据矩阵合并与转置 | 第58-59页 |
·总体数据的归一化 | 第59页 |
·抽取测试数据集 ATR和验证数据集 AT和 F | 第59页 |
·基于BP神经网络的茅台酒原产地模式识别的实现及分析 | 第59-66页 |
·基于BP神经网络模型的茅台酒原产地识别模型的建立 | 第59-63页 |
·训练后的BP网络参数 | 第63-64页 |
·结果与讨论 | 第64-66页 |
·结论与展望 | 第66-67页 |
·结论 | 第66页 |
·展望 | 第66-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-72页 |
附录 | 第72-82页 |