| 致谢 | 第6-8页 |
| 摘要 | 第8-11页 |
| Abstract | 第11-13页 |
| 目次 | 第14-18页 |
| 附表清单 | 第18-19页 |
| 插图清单 | 第19-22页 |
| 英文缩略图 | 第22-24页 |
| 1. 绪言 | 第24-40页 |
| 1.1 模式识别概述 | 第24-29页 |
| 1.1.1 模式识别的简介 | 第24页 |
| 1.1.2 模式识别操作流程 | 第24-26页 |
| 1.1.3 模式识别发展与现状 | 第26-29页 |
| 1.2 近红外光谱分析技术概述 | 第29-32页 |
| 1.2.1 近红外光谱分析技术简介 | 第29-30页 |
| 1.2.2 近红外光谱分析技术的发展与现状 | 第30-32页 |
| 1.3 图像处理技术概述 | 第32-36页 |
| 1.3.1 图像处理技术的简介 | 第32-35页 |
| 1.3.2 图像处理技术的发展与现状 | 第35-36页 |
| 1.4 高光谱成像技术概述 | 第36-38页 |
| 1.4.1 高光谱图像分析技术简介 | 第36页 |
| 1.4.2 高光谱图像分析技术的发展与现状 | 第36-38页 |
| 1.5 研究目的与内容 | 第38-40页 |
| 2. 模式识别理论基础 | 第40-60页 |
| 2.1 数据的预处理方法 | 第40页 |
| 2.2 数据的降维算法 | 第40-45页 |
| 2.2.1 主成分分析 | 第41-42页 |
| 2.2.2 连续投影算法 | 第42-44页 |
| 2.2.3 无信息变量去除算法 | 第44-45页 |
| 2.2.4 无信息变量去除算法结合连续投影算法(UVE-SPA) | 第45页 |
| 2.3 建模算法 | 第45-57页 |
| 2.3.1 多元线性回归 | 第46-48页 |
| 2.3.2 主成分回归 | 第48页 |
| 2.3.3 线性判别分析 | 第48-50页 |
| 2.3.4 偏最小二乘法 | 第50-53页 |
| 2.3.5 相似分析方法 | 第53-54页 |
| 2.3.6 最小二乘支持向量机 | 第54-57页 |
| 2.4 模型评价标准 | 第57-60页 |
| 3. 基于光谱分析技术的模式识别方法研究 | 第60-68页 |
| 3.1 引言 | 第60页 |
| 3.2 样本准备 | 第60-61页 |
| 3.3 算法介绍 | 第61-64页 |
| 3.3.1 正则最小二乘法 | 第62-63页 |
| 3.3.2 拉普拉斯正则最小二乘法 | 第63-64页 |
| 3.4 结果与分析 | 第64-67页 |
| 3.4.1 十六烷值预测模型 | 第64-66页 |
| 3.4.2 总芳烃物含量预测模型 | 第66-67页 |
| 3.5 本章小结 | 第67-68页 |
| 4. 基于颜色特征挖掘技术的模式识别方法研究 | 第68-77页 |
| 4.1 引言 | 第68-69页 |
| 4.2 样本准备 | 第69页 |
| 4.3 颜色特征提取 | 第69-70页 |
| 4.4 结果与分析 | 第70-75页 |
| 4.4.1 提子的pH值和SSC值相关性分析 | 第70页 |
| 4.4.2 基于全部颜色特征的预测模型 | 第70-71页 |
| 4.4.3 基于单个颜色空间特征的预测模型 | 第71-72页 |
| 4.4.4 颜色特征的选取 | 第72-75页 |
| 4.5 本章小结 | 第75-77页 |
| 5. 基于图像处理技术的模式识别方法研究 | 第77-92页 |
| 5.1 引言 | 第77页 |
| 5.2 样本准备 | 第77-79页 |
| 5.3 图像预处理 | 第79-83页 |
| 5.3.1 图像二值化 | 第79-81页 |
| 5.3.2 葡萄干颗粒图像的分割 | 第81-82页 |
| 5.3.3 葡萄于颗粒旋转 | 第82-83页 |
| 5.4 特征的提取 | 第83-86页 |
| 5.4.1 形态特征的提取 | 第83-84页 |
| 5.4.2 颜色特征的提取 | 第84页 |
| 5.4.3 纹理特征的提取 | 第84-86页 |
| 5.4.4 组合特征提取 | 第86页 |
| 5.5 结果与讨论 | 第86-90页 |
| 5.5.1 不同特征集的主成分分析 | 第86-88页 |
| 5.5.2 基于单个特征集的预测模型 | 第88-89页 |
| 5.5.3 基于多个特征组合的特征集的预测模型 | 第89-90页 |
| 5.5.4 基于形态-颜色-纹理特征集的预测模型 | 第90页 |
| 5.5.5 讨论 | 第90页 |
| 5.6 本章小结 | 第90-92页 |
| 6. 基于高光谱成像技术的模式识别方法研究 | 第92-113页 |
| 6.1 引言 | 第92页 |
| 6.2 样品准备 | 第92-94页 |
| 6.3 牛肉高光谱图像预处理 | 第94-96页 |
| 6.3.1 高光谱图像校正 | 第94页 |
| 6.3.2 高光谱图像分割 | 第94-96页 |
| 6.4 牛肉光谱特征提取 | 第96-97页 |
| 6.5 结果与分析 | 第97-112页 |
| 6.5.1 基于不同光谱方法提取方法的牛肉含水率模型 | 第97-99页 |
| 6.5.2 基于不同分类器的牛肉含水率模型 | 第99页 |
| 6.5.3 基于不同特征选取算法的牛肉含水率模型 | 第99-110页 |
| 6.5.4 牛肉含水率的可视化 | 第110-112页 |
| 6.6 本章小结 | 第112-113页 |
| 7. 结论与注记 | 第113-117页 |
| 7.1 结论 | 第113-115页 |
| 7.1.1 基于光谱分析技术的模式识别方法研究 | 第113页 |
| 7.1.2 基于颜色特征挖掘技术的模式识别方法研究 | 第113-114页 |
| 7.1.3 基于图像处理技术的模式识别方法研究 | 第114页 |
| 7.1.4 基于高光谱成像技术的模式识别方法研究 | 第114-115页 |
| 7.2 论文的创新点 | 第115-116页 |
| 7.3 注记 | 第116-117页 |
| 参考文献 | 第117-128页 |
| 作者简历 | 第128-129页 |
| 个人基本情况 | 第128页 |
| 在读期间研究成果 | 第128-129页 |
