| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-26页 |
| ·引言 | 第11-12页 |
| ·近红外光谱分析技术 | 第12-13页 |
| ·近红外光谱分析技术与化学计量学方法的结合 | 第13-16页 |
| ·近红外光谱分析技术在药物分析领域中的应用及其前景展望 | 第16-17页 |
| ·本工作的目的及意义 | 第17页 |
| ·本工作研究内容 | 第17-19页 |
| 参考文献 | 第19-26页 |
| 第二章 多元校正及相关化学计量学方法的原理 | 第26-36页 |
| ·化学计量学简介 | 第26页 |
| ·主成分分析 | 第26-29页 |
| ·偏最小二乘法 | 第29-30页 |
| ·人工神经网络法 | 第30-34页 |
| ·BP网络结构 | 第30-31页 |
| ·BP网络的训练过程及步骤 | 第31-34页 |
| 参考文献 | 第34-36页 |
| 第三章 近红外漫反射光谱法定量分析川芎中的阿魏酸含量 | 第36-45页 |
| ·引言 | 第36页 |
| ·实验部分 | 第36-38页 |
| ·仪器和材料 | 第36-37页 |
| ·阿魏酸含量HPLC分析 | 第37页 |
| ·NIR光谱采集 | 第37页 |
| ·数据处理方法 | 第37-38页 |
| ·结果与讨论 | 第38-42页 |
| ·川芎样品的NIR光谱图 | 第38-39页 |
| ·建模区间的选择 | 第39页 |
| ·光谱预处理方法的选择 | 第39-40页 |
| ·由校正集样品建立数学模型 | 第40-41页 |
| ·预测集阿魏酸的分析 | 第41-42页 |
| ·结论 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 第四章 偏最小二乘法结合傅里叶变换近红外漫反射光谱测定托吡酯的含量 | 第45-55页 |
| ·引言 | 第45页 |
| ·实验部分 | 第45-46页 |
| ·仪器与试剂 | 第45-46页 |
| ·样品的制备 | 第46页 |
| ·实验方法 | 第46页 |
| ·光谱数据的采集 | 第46页 |
| ·数据处理 | 第46页 |
| ·结果与讨论 | 第46-52页 |
| ·NIR光谱图 | 第46-48页 |
| ·样品的得分图 | 第48页 |
| ·光谱数据的预处理 | 第48-50页 |
| ·PLS模型的建立及其潜变量数的选择 | 第50-52页 |
| ·结论 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 第五章 主成分分析-BP神经网络算法结合近红外光谱法测定托吡酯含量 | 第55-66页 |
| ·引言 | 第55页 |
| ·理论部分 | 第55-57页 |
| ·主成分分析 | 第55页 |
| ·BP神经网络 | 第55-57页 |
| ·实验部分 | 第57-58页 |
| ·实验材料 | 第57页 |
| ·实验仪器及软件 | 第57页 |
| ·样品制备 | 第57页 |
| ·实验方法 | 第57-58页 |
| ·结果与讨论 | 第58-63页 |
| ·光谱预处理方法的选择 | 第58页 |
| ·输入层节点数的选择 | 第58-60页 |
| ·隐含层节点数的选择 | 第60页 |
| ·学习次数的选择 | 第60-61页 |
| ·学习速率和动量因子的选择 | 第61页 |
| ·PCA-BPNN分析结果 | 第61-63页 |
| ·结论 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 第六章 PLS和PCA-BP神经网络结合近红外漫反射光谱法测定卡托普利含量 | 第66-80页 |
| ·引言 | 第66-67页 |
| ·实验部分 | 第67-68页 |
| ·实验材料 | 第67页 |
| ·实验仪器及软件 | 第67页 |
| ·样品制备 | 第67页 |
| ·实验方法 | 第67-68页 |
| ·结果与讨论 | 第68-77页 |
| ·近红外漫反射光谱图 | 第68-69页 |
| ·卡托普利样品的得分图 | 第69-70页 |
| ·卡托普利样品PLS模型的建立与评价 | 第70-72页 |
| ·影响PCA-BPNN模型性能因素的考察 | 第72-75页 |
| ·主成分分析结合BP神经网络算法分析结果 | 第75-77页 |
| ·结论 | 第77-78页 |
| 参考文献 | 第78-80页 |
| 攻读硕士学位期间论文完成情况 | 第80-81页 |
| 致谢 | 第81页 |
