| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 近红外食品检测研究现状 | 第9页 |
| 1.2.2 近红外模型更新方法的研究现状 | 第9-11页 |
| 1.3 本论文研究内容 | 第11-13页 |
| 第二章 近红外光谱检测原理 | 第13-21页 |
| 2.1 近红外光谱检测原理 | 第13-14页 |
| 2.1.1 朗伯-比尔定律 | 第13-14页 |
| 2.1.2 漫反射定律 | 第14页 |
| 2.2 常用化学计量学方法 | 第14-17页 |
| 2.2.1 光谱预处理方法 | 第15-16页 |
| 2.2.2 波长选择方法 | 第16页 |
| 2.2.3 多元定量校正方法 | 第16-17页 |
| 2.3 模型更新方法 | 第17-18页 |
| 2.4 模型评价指标 | 第18-19页 |
| 2.5 近红外光谱分析过程 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于特征波段的食品检测模型递归更新方法 | 第21-33页 |
| 3.1 引言 | 第21页 |
| 3.2 递归偏最小二乘算法 | 第21-22页 |
| 3.3 波长选择方法的改进 | 第22-25页 |
| 3.3.1 常用的波长选择方法 | 第22-23页 |
| 3.3.2 基于最小冗余最大相关算法的波长选择方法 | 第23-25页 |
| 3.4 基于特征波段的模型递归更新方法 | 第25-27页 |
| 3.5 食品检测模型更新实例 | 第27-31页 |
| 3.5.1 小麦蛋白质含量检测实例 | 第27-29页 |
| 3.5.2 黄酒氨基酸态氮检测实例 | 第29-31页 |
| 3.6 本章小结 | 第31-33页 |
| 第四章 食品检测中的即时学习框架及优化 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 即时学习框架 | 第33-37页 |
| 4.2.1 建模流程 | 第33-35页 |
| 4.2.2 相似样品选择 | 第35-36页 |
| 4.2.3 权重函数选择 | 第36-37页 |
| 4.3 基于最大信息系数的即时学习建模 | 第37-39页 |
| 4.3.1 最大信息系数 | 第37-38页 |
| 4.3.2 基于MIC的即时学习建模 | 第38-39页 |
| 4.4 黄酒酒精度检测实例 | 第39-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 即时学习框架下的模型递归更新方法 | 第43-52页 |
| 5.1 引言 | 第43-44页 |
| 5.2 递归局部加权PLS | 第44-46页 |
| 5.3 m-RLWPLS算法 | 第46-48页 |
| 5.4 黄酒总酸检测实例 | 第48-50页 |
| 5.5 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第59页 |