| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10-11页 |
| 1.3 国内外研究进展 | 第11-17页 |
| 1.3.1 小麦硬度测定方法 | 第11-14页 |
| 1.3.2 小麦硬度测定方法研究进展 | 第14-15页 |
| 1.3.3 近红外检测技术研究进展 | 第15-17页 |
| 1.3.4 存在的问题 | 第17页 |
| 1.4 本文主要研究内容及技术路线 | 第17-21页 |
| 第2章 近红外光谱分析技术理论基础与流程 | 第21-36页 |
| 2.1 引言 | 第21页 |
| 2.2 近红外光谱技术理论基础 | 第21-22页 |
| 2.3 近红外检测技术特点 | 第22-23页 |
| 2.4 基于近红外技术进行小麦硬度检测研究的理论基础 | 第23-24页 |
| 2.5 近红外光谱数据的采集 | 第24-29页 |
| 2.5.1 实验器材 | 第24页 |
| 2.5.2 实验样品收集 | 第24-27页 |
| 2.5.3 光谱数据采集 | 第27-29页 |
| 2.6 小麦硬度值测定 | 第29-33页 |
| 2.6.1 小麦硬度仪测定原理 | 第29页 |
| 2.6.2 实验器材 | 第29-30页 |
| 2.6.3 小麦硬度值测定步骤 | 第30-33页 |
| 2.7 近红外检测流程及模型评价 | 第33-34页 |
| 2.7.1 近红外检测流程 | 第33-34页 |
| 2.7.2 模型评价 | 第34页 |
| 2.8 本章小结 | 第34-36页 |
| 第3章 光谱数据分析方法的研究 | 第36-54页 |
| 3.1 引言 | 第36页 |
| 3.2 样品集合划分 | 第36-38页 |
| 3.2.1 SPXY算法原理 | 第36-37页 |
| 3.2.2 基于SPXY算法的集合划分 | 第37-38页 |
| 3.3 光谱预处理 | 第38-43页 |
| 3.3.1 平滑 | 第38-40页 |
| 3.3.2 导数处理 | 第40-42页 |
| 3.3.3 标准正态变量变换 | 第42-43页 |
| 3.4 特征波点提取 | 第43-46页 |
| 3.5 人工神经网络 | 第46-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第4章 基于不同模型的小麦硬度值定量检测研究 | 第54-71页 |
| 4.1 引言 | 第54页 |
| 4.2 基于BP神经网络的小麦硬度值定量检测研究 | 第54-61页 |
| 4.2.1 不同预处理方法对预测模型的影响 | 第54-57页 |
| 4.2.2 特征波点提取应用的研究 | 第57-61页 |
| 4.3 基于RBF神经网络的小麦硬度值定量检测研究 | 第61-69页 |
| 4.3.1 不同预处理方法对预测模型的影响 | 第62-64页 |
| 4.3.2 特征波点提取应用的研究 | 第64-69页 |
| 4.4 两种定量检测模型预测效果的对比 | 第69-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 模型的应用检验及对比 | 第71-75页 |
| 5.1 引言 | 第71页 |
| 5.2 模型的应用检验 | 第71-73页 |
| 5.3 与其他硬度测定方法的比较 | 第73-74页 |
| 5.4 本章小结 | 第74-75页 |
| 讨论 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间发表的论文 | 第86页 |