摘要 | 第4-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-36页 |
1.1 研究背景 | 第11-22页 |
1.1.1 概述 | 第11页 |
1.1.2 近红外光谱定量分析基本原理 | 第11-15页 |
1.1.3 近红外光谱分析的关键技术 | 第15-16页 |
1.1.4 国内外研究现状 | 第16-19页 |
1.1.5 目前近红外光谱分析技术存在的不足 | 第19-22页 |
1.2 研究思路及方法 | 第22页 |
1.3 创新性 | 第22页 |
1.4 论文的基本框架 | 第22-23页 |
参考文献 | 第23-36页 |
第二章 干涉图相位校正方法 | 第36-57页 |
2.1 引言 | 第36-37页 |
2.2 相位误差产生的原因分析 | 第37-44页 |
2.2.1 傅里叶变换光谱仪的基本结构 | 第37页 |
2.2.2 干涉图信号 | 第37-42页 |
2.2.3 干涉图采样延时产生的相位误差 | 第42页 |
2.2.4 由检测器和放大器产生的相位误差 | 第42-43页 |
2.2.5 滤波器产生的相位误差 | 第43页 |
2.2.6 其他相位误差 | 第43-44页 |
2.3 相位校正模型 | 第44-51页 |
2.3.1 ADP模型 | 第44页 |
2.3.2 模型求解 | 第44-50页 |
2.3.3 基于粒子群优化的ADP模型算法步骤 | 第50-51页 |
2.4 实验部分 | 第51-54页 |
2.4.1 模拟实验 | 第51-53页 |
2.4.2 应用实验 | 第53-54页 |
2.5 结果与讨论 | 第54页 |
2.6 本章小结 | 第54-55页 |
参考文献 | 第55-57页 |
第三章 基于溶液混合模型的光谱多元校正方法 | 第57-76页 |
3.1 引言 | 第57页 |
3.2 基本原理 | 第57-62页 |
3.2.1 算法推导 | 第57-61页 |
3.2.2 算法步骤 | 第61页 |
3.2.3 算法分析 | 第61-62页 |
3.3 实验数据 | 第62-63页 |
3.4 结果与讨论 | 第63-72页 |
3.4.1 与PLS及PCPLS预测结果的比较 | 第63-64页 |
3.4.2 与PLS组分信息依赖性的比较 | 第64-65页 |
3.4.3 与PLS抗共同背景干扰的比较 | 第65-71页 |
3.4.4 与PLS抗随机噪声的比较 | 第71-72页 |
3.5 本章小结 | 第72-73页 |
参考文献 | 第73-76页 |
第四章 基于溶液混合模型的异常光谱盲识别 | 第76-96页 |
4.1 引言 | 第76-77页 |
4.2 现有预测光谱识别方法分析 | 第77-79页 |
4.2.1 马氏距离法 | 第77页 |
4.2.2 光谱残差法 | 第77-78页 |
4.2.3 势函数法 | 第78页 |
4.2.4 outliers/inners识别方法 | 第78页 |
4.2.5 预测光谱识别方法性能分析 | 第78-79页 |
4.3 盲识别基本原理 | 第79-83页 |
4.3.1 光谱残差分析 | 第79-81页 |
4.3.2 光谱中噪声功率分析 | 第81-83页 |
4.3.3 预测光谱异常性检验 | 第83页 |
4.4 实验 | 第83-94页 |
4.4.1 实验数据 | 第83-84页 |
4.4.2 实际光谱实验 | 第84-85页 |
4.4.3 模拟光谱实验 | 第85-94页 |
4.5 本章小结 | 第94页 |
参考文献 | 第94-96页 |
第五章 以预测结果相对误差最小为目标的多元校正方法 | 第96-117页 |
5.1 引言 | 第96-97页 |
5.2 基本校正方法 | 第97-108页 |
5.2.1 神经网络简介 | 第97-98页 |
5.2.2 理论推导 | 第98-100页 |
5.2.3 基本校正方法步骤 | 第100-101页 |
5.2.4 基本校正方法实验 | 第101-108页 |
5.3 改进校正方法 | 第108-112页 |
5.3.1 基本校正方法的不足 | 第108-110页 |
5.3.2 改进校正方法 | 第110页 |
5.3.3 改进校正方法实验 | 第110-112页 |
5.3.4 改进校正方法小结 | 第112页 |
5.4 本章小结 | 第112页 |
参考文献 | 第112-117页 |
结论与展望 | 第117-120页 |
攻读博士期间取得的研究成果 | 第120-121页 |
致谢 | 第121页 |