| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 近红外光谱分析技术在固态发酵过程检测中的研究现状 | 第14-16页 |
| 1.2.1 近红外光谱分析技术概述 | 第14-15页 |
| 1.2.2 国内外研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-18页 |
| 第二章 乙醇固态发酵实验及数据采集 | 第18-23页 |
| 2.1 引言 | 第18页 |
| 2.2 实验设计 | 第18-21页 |
| 2.2.1 实验主要仪器和设备 | 第18页 |
| 2.2.2 实验材料 | 第18-19页 |
| 2.2.3 样本制备 | 第19页 |
| 2.2.4 理化试验分析 | 第19-21页 |
| 2.3 近红外光谱采集 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 乙醇固态发酵过程关键参数的NIRS检测研究 | 第23-42页 |
| 3.1 引言 | 第23页 |
| 3.2 光谱预处理 | 第23-24页 |
| 3.3 联合区间偏最小二乘模型 | 第24-28页 |
| 3.3.1 方法概述 | 第24-25页 |
| 3.3.2 最优光谱联合子区间筛选 | 第25-27页 |
| 3.3.3 最佳检测模型结果 | 第27-28页 |
| 3.4 遗传联合区间偏最小二乘模型 | 第28-31页 |
| 3.4.1 方法概述 | 第28页 |
| 3.4.2 光谱特征波长筛选 | 第28-31页 |
| 3.4.3 最佳检测模型结果 | 第31页 |
| 3.5 竞争自适应加权重采样联合区间偏最小二乘模型 | 第31-34页 |
| 3.5.1 方法概述 | 第31-32页 |
| 3.5.2 光谱特征波长筛选 | 第32-34页 |
| 3.5.3 最佳检测模型结果 | 第34页 |
| 3.6 迭代保留信息变量联合区间偏最小二乘模型 | 第34-37页 |
| 3.6.1 方法概述 | 第34-35页 |
| 3.6.2 光谱特征波长筛选 | 第35-36页 |
| 3.6.3 最佳检测模型结果 | 第36-37页 |
| 3.7 不同偏最小二乘检测模型最佳结果比较与分析 | 第37-40页 |
| 3.8 本章小结 | 第40-42页 |
| 第四章 乙醇固态发酵过程状态的NIRS判别方法研究 | 第42-67页 |
| 4.1 引言 | 第42页 |
| 4.2 数据分析方法 | 第42-45页 |
| 4.2.1 主成分分析概述 | 第42-44页 |
| 4.2.2 极限学习机 | 第44-45页 |
| 4.3 主成分分析模型结果 | 第45-52页 |
| 4.3.1 基于全光谱数据的主成分分析模型 | 第45-46页 |
| 4.3.2 基于siPLS筛选变量的主成分分析模型 | 第46-48页 |
| 4.3.3 基于siPLS-GA筛选变量的主成分分析模型 | 第48-50页 |
| 4.3.4 基于siPLS-CARS筛选变量的主成分分析模型 | 第50-51页 |
| 4.3.5 基于siPLS-IRIV筛选变量的主成分分析模型 | 第51-52页 |
| 4.4 不同主成分分析模型结果比较与分析 | 第52-54页 |
| 4.5 最佳判别模型结果 | 第54-65页 |
| 4.5.1 基于ELM的状态判别模型 | 第55-57页 |
| 4.5.2 基于siPLS-ELM的状态判别模型 | 第57-59页 |
| 4.5.3 基于siPLS-GA-ELM的状态判别模型 | 第59-61页 |
| 4.5.4 基于siPLS-CARS-ELM的状态判别模型 | 第61-63页 |
| 4.5.5 基于siPLS-IRIV-ELM的状态判别模型 | 第63-65页 |
| 4.6 不同ELM判别模型结果比较与分析 | 第65-66页 |
| 4.7 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 研究总结 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士期间取得的成果 | 第77页 |
