| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-11页 |
| 第一章 前言 | 第11-43页 |
| 1．1 中药质量控制的重要性 | 第11页 |
| 1．2 中药质量控制方法 | 第11-12页 |
| 1．2．1 鉴别 | 第11-12页 |
| 1．2．2 检查 | 第12页 |
| 1．2．3 浸出物测定 | 第12页 |
| 1．2．4 含量测定 | 第12页 |
| 1．3 松花粉简介 | 第12-13页 |
| 1．4 大黄属植物化学成分及其活性研究概况 | 第13-14页 |
| 1．4．1 大黄简介 | 第13页 |
| 1．4．2 大黄中的主要化学成分 | 第13页 |
| 1．4．3 化学成分研究概况 | 第13-14页 |
| 1．5 近红外光谱技术 | 第14-20页 |
| 1．5．1 近红外光谱分析的特点 | 第15-16页 |
| 1．5．2 近红外定量分析技术 | 第16-17页 |
| 1．5．3 近红外定性分析技术 | 第17-18页 |
| 1．5．4 近红外光谱技术在中药鉴别及分析中的应用 | 第18-20页 |
| 1．6 人工神经网络 | 第20-34页 |
| 1．6．1 人工神经网络的研究历史 | 第20-22页 |
| 1．6．2 人工神经网络基础 | 第22-29页 |
| 1．6．3 人工神经网络在分析化学中的应用 | 第29-34页 |
| 1．7 研究意义与前景展望 | 第34页 |
| 参考文献 | 第34-43页 |
| 第二章 多层感知器神经网络用于大黄分类的比较研究 | 第43-56页 |
| 2．1 前言 | 第43页 |
| 2．2 人工神经网络 | 第43-46页 |
| 2．2．1 多层感知器神经网络 | 第44-45页 |
| 2．2．2 学习算法 | 第45-46页 |
| 2．3 实验部分 | 第46-49页 |
| 2．3．1 仪器与样品 | 第46-49页 |
| 2．3．2 数据采集和处理 | 第49页 |
| 2．4 结果和讨论 | 第49-53页 |
| 2．4．1 大黄的近红外漫反射光谱 | 第49-50页 |
| 2．4．2 网络主要参数 | 第50-51页 |
| 2．4．3 网络学习次数的选择 | 第51-52页 |
| 2．4．4 分类结果 | 第52-53页 |
| 2．5 结论 | 第53页 |
| 参考文献 | 第53-56页 |
| 第三章 人工神经网络-近红外光谱用于大黄中主要成分的含量测定 | 第56-73页 |
| 3．1 引言 | 第56-57页 |
| 3．2 人工神经网络 | 第57-60页 |
| 3．2．1 多层感知器神经网络 | 第57-58页 |
| 3．2．2 学习算法 | 第58-60页 |
| 3．3 实验部分 | 第60-63页 |
| 3．3．1 仪器与样品 | 第60-62页 |
| 3．3．2 数据采集和处理 | 第62-63页 |
| 3．3．3 建模方法 | 第63页 |
| 3．4 结果和讨论 | 第63-70页 |
| 3．4．1 样本的分布 | 第63-64页 |
| 3．4．2 网络所用参数 | 第64页 |
| 3．4．3 网络训练次数的选择 | 第64-66页 |
| 3．4．4 隐含层节点数的影响 | 第66-68页 |
| 3．4．5 最优模型的交叉验证和预测结果 | 第68-70页 |
| 3．5 结论 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 第四章 松花粉的红外光谱、扫描电镜和X射线能谱仪分析 | 第73-83页 |
| 4．1 前言 | 第73页 |
| 4．2 实验部分 | 第73-74页 |
| 4．2．1 实验仪器 | 第73-74页 |
| 4．2．2 样品来源与制备 | 第74页 |
| 4．3 结果与讨论 | 第74-79页 |
| 4．3．1 松花粉的红外光谱分析 | 第74-76页 |
| 4．3．2 扫描电镜分析 | 第76-78页 |
| 4．3．3 X射线能谱仪分析 | 第78-79页 |
| 4．4 结论 | 第79-80页 |
| 参考文献 | 第80-83页 |
