| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-16页 |
| 1.2.1 基于拉曼和近红外光谱技术的食用油检测研究现状 | 第9-13页 |
| 1.2.2 基于高光谱图像技术的谷物检测研究现状 | 第13-16页 |
| 1.3 课题研究路线 | 第16-17页 |
| 1.4 课题研究的主要内容和结论 | 第17-20页 |
| 2 拉曼和近红外光谱相关技术 | 第20-33页 |
| 2.1 食用油样品来源 | 第20页 |
| 2.2 采集近红外和拉曼光谱设备 | 第20-22页 |
| 2.3 光谱预处理算法 | 第22-25页 |
| 2.3.1 平滑算法 | 第22页 |
| 2.3.2 自适应迭代重加权惩罚最小二乘 | 第22-23页 |
| 2.3.3 非对称最小二乘 | 第23页 |
| 2.3.4 归一化 | 第23页 |
| 2.3.5 多元散射校正 | 第23-24页 |
| 2.3.6 标准正态变量变换和去趋势技术 | 第24页 |
| 2.3.7 一阶导微分和二阶导微分 | 第24-25页 |
| 2.4 SPXY | 第25页 |
| 2.5 特征波长提取方法 | 第25-30页 |
| 2.5.1 连续投影算法 | 第26-27页 |
| 2.5.2 竞争性自适应重加权采样 | 第27-28页 |
| 2.5.3 无信息变量消除法 | 第28-29页 |
| 2.5.4 典型相关分析 | 第29-30页 |
| 2.6 建模方法 | 第30-32页 |
| 2.6.1 支持向量机分类 | 第30-32页 |
| 2.6.2 K最近邻分类 | 第32页 |
| 2.7 定性模型评价指标 | 第32-33页 |
| 3 粮油种类食用油拉曼和近红外光谱品种鉴别模型 | 第33-59页 |
| 3.1 拉曼和近红外光谱采集与分析 | 第33-34页 |
| 3.2 拉曼和近红外光谱预处理 | 第34-35页 |
| 3.3 食用油品种鉴别模型研究 | 第35-46页 |
| 3.3.1 拉曼和近红外光谱数据层融合支持向量机分类 | 第36-39页 |
| 3.3.2 拉曼和近红外光谱典型相关分析特征层融合支持向量机分类 | 第39-43页 |
| 3.3.3 K最近邻分类 | 第43-46页 |
| 3.4 拉曼和近红外光谱特征波长提取 | 第46-59页 |
| 3.4.1 CARS和 SPA提取单变量光谱特征波长食用油种类鉴别模型 | 第46-53页 |
| 3.4.2 CARS和 SPA提取光谱特征波长特征层融合食用油种类鉴别模型 | 第53-59页 |
| 4 粮油种类水稻种子高光谱图像品种鉴别模型 | 第59-77页 |
| 4.1 水稻种子样品和高光谱图像采集设备 | 第59-60页 |
| 4.1.1 水稻种子样品 | 第59页 |
| 4.1.2 高光谱图像采集设备 | 第59-60页 |
| 4.2 高光谱图像采集、预处理与光谱分析 | 第60-63页 |
| 4.3 高光谱成像技术水稻种子品种鉴别模型建立方法 | 第63-68页 |
| 4.3.1 主成分分析算法 | 第63-64页 |
| 4.3.2 稀疏主成分分析算法 | 第64-67页 |
| 4.3.3 K均值聚类算法 | 第67-68页 |
| 4.4 稀疏主成分分析选取的特征波长的结果 | 第68-74页 |
| 4.5 主成分分析提取的特征波段的结果 | 第74-75页 |
| 4.6 结果讨论 | 第75-77页 |
| 5 结论与展望 | 第77-80页 |
| 5.1 主要研究与结论 | 第77-78页 |
| 5.2 论文主要创新点 | 第78页 |
| 5.3 问题与展望 | 第78-80页 |
| 参考文献 | 第80-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间的研究成果 | 第88页 |
