| 第一章 前言 | 第1-15页 |
| 1．1 激光诱导大肠癌自体荧光检测的意义 | 第9-10页 |
| 1．2 激光诱导自体荧光检测原理 | 第10-11页 |
| 1．3 国内外相关研究进展 | 第11-14页 |
| 1．4 本文的研究内容 | 第14-15页 |
| 第二章 大肠癌自体荧光光谱测量与核黄素的定量分析 | 第15-29页 |
| 2．1 概述 | 第15-17页 |
| 2．1．1 生物组织自体荧光生化基础 | 第15-16页 |
| 2．1．2 荧光物质含量的测定与荧光机制 | 第16-17页 |
| 2．1．3 偏最小二乘法原理及其在光谱定量分析中的应用 | 第17页 |
| 2．2 大肠癌组织自体荧光光谱的测量 | 第17-22页 |
| 2．2．1 材料与方法 | 第17-19页 |
| 2．2．2 结果 | 第19-20页 |
| 2．2．3 讨论 | 第20-22页 |
| 2．3 核黄素的定量分析 | 第22-28页 |
| 2．3．1 材料与方法 | 第22-24页 |
| 2．3．2 结果 | 第24-26页 |
| 2．3．3 讨论 | 第26-28页 |
| 2．4 本章总结 | 第28-29页 |
| 第三章 大肠癌组织自体荧光光谱的判别分析 | 第29-43页 |
| 3．1 荧光光谱判别与模式识别 | 第29-31页 |
| 3．1．1 模式识别 | 第29-30页 |
| 3．1．2 模式识别在荧光光谱分析领域的应用现状 | 第30页 |
| 3．1．3 本文的研究内容 | 第30-31页 |
| 3．2 偏最小二乘—人工神经网络用于荧光光谱的判别分析 | 第31-36页 |
| 3．2．1 偏最小二乘法进行数据的降维处理 | 第31-33页 |
| 3．2．2 PLS回归模型的建立 | 第33页 |
| 3．2．3 主成分数的选择 | 第33-34页 |
| 3．2．4 人工神经网络的应用 | 第34-36页 |
| 3．3 结果分析 | 第36-41页 |
| 3．3．1 模型参数的确定 | 第36-37页 |
| 3．3．2 PLS成分的提取 | 第37页 |
| 3．3．3 载荷分析 | 第37-39页 |
| 3．3．4 回归模型的建立 | 第39-40页 |
| 3．3．5 光谱判别效果 | 第40页 |
| 3．3．6 光谱变量的筛选 | 第40-41页 |
| 3．4 讨论 | 第41-42页 |
| 3．5 本章小结 | 第42-43页 |
| 第四章 全文总结 | 第43-44页 |
| 参考文献 | 第44-49页 |
| 综述 | 第49-53页 |
| 附录 | 第53-55页 |
| 致谢 | 第55-56页 |
| 作者在攻读硕士学位期间发表的论文和取得的成果 | 第56页 |