| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究的目的和意义 | 第10页 |
| 1.2 光谱分析技术的方法及比较 | 第10-13页 |
| 1.2.1 荧光分析技术 | 第11页 |
| 1.2.2 近红外光谱分析技术 | 第11-12页 |
| 1.2.3 拉曼光谱分析技术 | 第12页 |
| 1.2.4 高光谱成像技术 | 第12-13页 |
| 1.3 近红外光谱分析技术的研究现状 | 第13-16页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究进展 | 第14-16页 |
| 1.4 研究内容和方法 | 第16-18页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 技术路线 | 第17-18页 |
| 第二章 近红外光谱研究方案及数据处理方法 | 第18-40页 |
| 2.1 近红外光谱分析技术概述 | 第18-25页 |
| 2.1.1 近红外光谱分析技术的发展 | 第18页 |
| 2.1.2 近红外光谱分析技术的原理 | 第18-19页 |
| 2.1.3 近红外光谱常规测量形式 | 第19-21页 |
| 2.1.4 近红外光谱分析流程 | 第21-23页 |
| 2.1.5 近红外光谱及光谱分析技术的特点 | 第23-24页 |
| 2.1.6 近红外定标模型的评价指标 | 第24-25页 |
| 2.2 近红外光谱仪的类型 | 第25-28页 |
| 2.2.1 滤光片型 | 第25页 |
| 2.2.2 傅里叶变换型 | 第25-27页 |
| 2.2.3 光栅扫描型 | 第27页 |
| 2.2.4 声光可调滤光型 | 第27-28页 |
| 2.3 光谱预处理方法简介 | 第28-34页 |
| 2.3.1 数据增强算法 | 第29-30页 |
| 2.3.2 平滑算法 | 第30-32页 |
| 2.3.3 导数 | 第32页 |
| 2.3.4 光散射校正 | 第32-33页 |
| 2.3.5 傅里叶变换 | 第33页 |
| 2.3.6 预处理方法的新进展 | 第33-34页 |
| 2.4 建模方法 | 第34-38页 |
| 2.4.1 主成分分析 | 第34-35页 |
| 2.4.2 偏最小二乘法 | 第35-36页 |
| 2.4.3 人工神经网络 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 基于近红外光谱技术的马铃薯品种快速鉴别 | 第40-48页 |
| 3.1 马铃薯品种鉴别的研究流程 | 第40-41页 |
| 3.2 材料与方法 | 第41-45页 |
| 3.2.1 仪器设备与应用软件 | 第41-42页 |
| 3.2.2 样品来源 | 第42页 |
| 3.2.3 光谱的获取 | 第42页 |
| 3.2.4 光谱平均化处理 | 第42-44页 |
| 3.2.5 光谱预处理 | 第44页 |
| 3.2.6 偏最小二乘与人工神经网络 | 第44-45页 |
| 3.3 结果与讨论 | 第45-47页 |
| 3.3.1 马铃薯的可见-近红外反射光谱 | 第45页 |
| 3.3.2 偏最小二乘对马铃薯品种的聚类分析 | 第45-46页 |
| 3.3.3 基于BP神经网络马铃薯品种鉴别模型的建立 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于短波近红外光谱的马铃薯干物质含量检测 | 第48-56页 |
| 4.1 材料与方法 | 第48-51页 |
| 4.1.1 研究流程 | 第48-49页 |
| 4.1.2 仪器设备与软件应用 | 第49页 |
| 4.1.3 样品处理 | 第49页 |
| 4.1.4 光谱获取 | 第49-50页 |
| 4.1.5 马铃薯干物质含量测量 | 第50-51页 |
| 4.1.6 光谱预处理方法 | 第51页 |
| 4.1.7 偏最小二乘回归法 | 第51页 |
| 4.2 结果与讨论 | 第51-55页 |
| 4.2.1 马铃薯切片样本光谱图预处理 | 第51-52页 |
| 4.2.2 切片样本干物质含量模型建立及检验 | 第52-53页 |
| 4.2.3 完整马铃薯样本光谱图预处理 | 第53-54页 |
| 4.2.4 完整样本干物质含量模型建立及检验 | 第54-55页 |
| 4.3 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-57页 |
| 5.1 研究的结论 | 第56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 个人简历 | 第63页 |