| 中文摘要 | 第4-6页 |
| 英文摘要 | 第6-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状和实现方法分析 | 第16-18页 |
| 1.2.1 国内外研究现状 | 第16-17页 |
| 1.2.2 免疫层析定量检测系统实现方法分析 | 第17-18页 |
| 1.3 本文研究内容 | 第18-20页 |
| 1.3.1 粒子群优化算法在试条动态反应模型参数辨识中的研究与应用 | 第18-19页 |
| 1.3.2 基于深度学习的免疫层析试条图像识别及其定量检测研究 | 第19-20页 |
| 1.4 本文结构 | 第20-22页 |
| 第二章 基于粒子群优化算法的试条动态反应模型参数辨识 | 第22-38页 |
| 2.1 免疫层析试条动态反应过程的机理 | 第22-23页 |
| 2.2 免疫层析试条状态空间模型 | 第23-26页 |
| 2.2.1 状态空间模型 | 第23-24页 |
| 2.2.2 优化的免疫层析试条状态空间模型 | 第24-26页 |
| 2.3 新型跳变时滞粒子群优化算法 | 第26-31页 |
| 2.3.1 传统粒子群算法 | 第26-27页 |
| 2.3.2 新型跳变时滞粒子群优化算法 | 第27-31页 |
| 2.4 仿真实验分析 | 第31-36页 |
| 2.4.1 基准函数 | 第31-34页 |
| 2.4.2 试条动态反应模型参数辨识 | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 基于深度学习的免疫层析试条图像识别及定量检测 | 第38-54页 |
| 3.1 纳米金免疫层析检测图像特点及其识别的整体流程 | 第38-39页 |
| 3.2 深度学习 | 第39-43页 |
| 3.2.1 深度学习概述 | 第39-40页 |
| 3.2.2 受限玻尔兹曼机 | 第40-42页 |
| 3.2.3 深信度网络 | 第42-43页 |
| 3.3 基于深度学习的免疫层析试条图像识别模型 | 第43-46页 |
| 3.3.1 输入特征向量选取 | 第43-45页 |
| 3.3.2 基于深信度网络的免疫层析试条图像识别模型 | 第45-46页 |
| 3.4 实验结果与分析 | 第46-52页 |
| 3.4.1 免疫层析试条图像识别结果 | 第46-47页 |
| 3.4.2 图像识别结果评价 | 第47-49页 |
| 3.4.3 特征量计算与定量分析 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于改进深度学习的免疫层析试条图像识别及定量检测 | 第54-76页 |
| 4.1 试条图像识别状态空间模型 | 第54-57页 |
| 4.1.1 状态转移模型 | 第55页 |
| 4.1.2 观测模型 | 第55-57页 |
| 4.2 粒子滤波 | 第57-61页 |
| 4.2.1 贝叶斯滤波理论 | 第57-58页 |
| 4.2.2 序贯重要性采样 | 第58-60页 |
| 4.2.3 重采样 | 第60页 |
| 4.2.4 标准粒子滤波 | 第60-61页 |
| 4.3 基于PF改进深度学习算法的免疫层析试条图像识别及定量检测 | 第61-63页 |
| 4.4 结果分析与讨论 | 第63-73页 |
| 4.4.1 人工图像数据集验证分析 | 第64-70页 |
| 4.4.2 免疫层析试条图像识别及定量分析 | 第70-73页 |
| 4.5 本章小结 | 第73-76页 |
| 第五章 工作总结与展望 | 第76-78页 |
| 5.1 工作总结 | 第76-77页 |
| 5.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-86页 |
| 硕士期间研究成果 | 第86-88页 |
| 致谢 | 第88页 |
