| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题的研究意义和背景 | 第12-13页 |
| 1.2 食用油光谱技术检测研究现状 | 第13-17页 |
| 1.2.1 基于拉曼光谱法的食用油检测研究现状 | 第13-14页 |
| 1.2.2 基于近红外光谱技术的食用油检测研究现状 | 第14-16页 |
| 1.2.3 基于数据融合技术的食用油检测研究现状 | 第16-17页 |
| 1.3 论文的主要研究内容和目标 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 试验材料和方法 | 第20-30页 |
| 2.1 试验材料 | 第20-23页 |
| 2.1.1 纯食用油样品 | 第20-22页 |
| 2.1.2 花生油掺伪样品配制方法 | 第22页 |
| 2.1.3 花生油真伪鉴别样品 | 第22-23页 |
| 2.1.4 脂肪酸含量检测样品 | 第23页 |
| 2.2 试验设备及仪器 | 第23-24页 |
| 2.2.1 拉曼光谱仪 | 第23-24页 |
| 2.2.2 近红外光谱仪 | 第24页 |
| 2.3 脂肪酸组分百分比检测方法 | 第24-25页 |
| 2.4 光谱预处理方法 | 第25-26页 |
| 2.4.1 平滑算法 | 第25页 |
| 2.4.2 多元散射校正 | 第25-26页 |
| 2.4.3 标准正态变量变换和去趋势算法 | 第26页 |
| 2.5 基线校正方法 | 第26页 |
| 2.5.1 自适应迭代重加权惩罚最小二乘 | 第26页 |
| 2.5.2 非对称最小二乘 | 第26页 |
| 2.6 特征波长提取方法 | 第26-27页 |
| 2.6.1 竞争性自适应重加权采样 | 第27页 |
| 2.6.2 连续投影算法 | 第27页 |
| 2.6.3 后向间隔偏最小二乘法 | 第27页 |
| 2.7 建模方法 | 第27-28页 |
| 2.7.1 支持向量机 | 第28页 |
| 2.7.2 偏最小二乘-线性判别分析 | 第28页 |
| 2.8 参数寻优方法 | 第28-29页 |
| 2.9 模型评价指标 | 第29页 |
| 2.9.1 定性模型评价指标 | 第29页 |
| 2.9.2 定量模型评价指标 | 第29页 |
| 2.10 本章小结 | 第29-30页 |
| 第3章 拉曼-近红外光谱融合法鉴别食用油品种 | 第30-46页 |
| 3.1 样品光谱采集与光谱分析 | 第30-31页 |
| 3.1.1 样品光谱采集 | 第30页 |
| 3.1.2 样品光谱对比分析 | 第30-31页 |
| 3.2 光谱数据预处理 | 第31-32页 |
| 3.3 光谱特征波长提取 | 第32-35页 |
| 3.4 食用油品种鉴别的SVC模型研究 | 第35-44页 |
| 3.4.1 基于拉曼光谱的食用油品种鉴别的SVC模型 | 第35-38页 |
| 3.4.2 基于近红外光谱的食用油品种鉴别的SVC模型 | 第38-39页 |
| 3.4.3 数据层多源光谱融合的食用油品种鉴别的SVC模型 | 第39-42页 |
| 3.4.4 特征层多源光谱数据融合的食用油品种鉴别的SVC模型 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 多源光谱数据融合法检测花生油掺伪量及真伪 | 第46-62页 |
| 4.1 样品光谱采集与光谱分析 | 第46-47页 |
| 4.1.1 样品光谱采集 | 第46-47页 |
| 4.1.2 掺伪样品光谱分析 | 第47页 |
| 4.2 光谱数据预处理 | 第47-48页 |
| 4.3 光谱特征波长提取 | 第48-50页 |
| 4.4 花生油掺伪含量预测的SVR模型研究 | 第50-55页 |
| 4.4.1 基于拉曼光谱的花生油掺伪含量预测的SVR模型 | 第50-51页 |
| 4.4.2 基于近红外光谱的花生油掺伪含量预测的SVR模型 | 第51-52页 |
| 4.4.3 数据层多源光谱数据融合的花生油掺伪含量预测的SVR模型 | 第52-53页 |
| 4.4.4 特征层多源光谱数据融合的花生油掺伪含量预测的SVR模型 | 第53-55页 |
| 4.5 花生油真伪鉴别的PLS-LDA模型研究 | 第55-60页 |
| 4.5.1 基于拉曼光谱的花生油真伪鉴别的PLS-LDA模型 | 第55-56页 |
| 4.5.2 基于近红外光谱的花生油真伪鉴别的PLS-LDA模型 | 第56-57页 |
| 4.5.3 数据层多源光谱数据融合的花生油真伪鉴别的PLS-LDA模型 | 第57-58页 |
| 4.5.4 特征层多源光谱数据融合的花生油真伪鉴别的PLS-LDA模型 | 第58-60页 |
| 4.6 本章小结 | 第60-62页 |
| 4.6.1 花生油掺伪量预测模型小结 | 第60-61页 |
| 4.6.2 花生油真伪鉴别模型小结 | 第61-62页 |
| 第5章 多源光谱数据融合法检测食用油MUFA和PUFA含量 | 第62-81页 |
| 5.1 样品光谱采集 | 第62页 |
| 5.2 光谱数据预处理 | 第62-63页 |
| 5.3 光谱特征波长提取 | 第63-64页 |
| 5.4 食用油MUFA含量预测的SVR模型研究 | 第64-71页 |
| 5.4.1 基于拉曼光谱的食用油MUFA含量预测的SVR模型 | 第64-66页 |
| 5.4.2 基于近红外光谱的食用油MUFA含量预测的SVR模型 | 第66-67页 |
| 5.4.3 数据层多源光谱数据融合的食用油MUFA含量预测SVR模型 | 第67-69页 |
| 5.4.4 特征层多源光谱数据融合的食用油MUFA含量预测SVR模型 | 第69-71页 |
| 5.5 食用油PUFA含量预测的SVR模型研究 | 第71-78页 |
| 5.5.1 基于拉曼光谱的食用油PUFA含量预测的SVR模型 | 第71-73页 |
| 5.5.2 基于近红外光谱的食用油PUFA含量预测的SVR模型 | 第73-74页 |
| 5.5.3 数据层多源光谱数据融合的食用油PUFA含量预测的SVR模型 | 第74-76页 |
| 5.5.4 特征层多源光谱数据融合的食用油PUFA含量预测的SVR模型 | 第76-78页 |
| 5.6 本章小结 | 第78-81页 |
| 5.6.1 食用油MUFA含量预测模型小结 | 第79页 |
| 5.6.2 食用油PUFA含量预测模型小结 | 第79-81页 |
| 第6章 结论和展望 | 第81-86页 |
| 6.1 主要研究结论 | 第81-84页 |
| 6.2 论文主要创新点 | 第84页 |
| 6.3 展望 | 第84-86页 |
| 参考文献 | 第86-93页 |
| 致谢 | 第93-94页 |
| 攻读硕士学位期间取得的科研成果 | 第94-95页 |
