| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第一章 拉曼光谱及其分析技术 | 第14-31页 |
| 1.1 拉曼光谱技术简介 | 第14-19页 |
| 1.1.1 拉曼光谱技术的特点和发展历程 | 第14-17页 |
| 1.1.2 拉曼光谱技术的应用 | 第17-19页 |
| 1.1.3 拉曼光谱应用的局限性以及挑战 | 第19页 |
| 1.2 拉曼光谱的分析技术 | 第19-29页 |
| 1.2.1 拉曼光谱的预处理技术 | 第20-21页 |
| 1.2.2 拉曼光谱识别技术 | 第21-28页 |
| 1.2.3 拉曼光谱分析技术的挑战以及局限性 | 第28-29页 |
| 1.3 本论文的研究目标、内容 | 第29-31页 |
| 第二章 实验方法 | 第31-39页 |
| 2.1 机器学习方法 | 第31-34页 |
| 2.1.1 K-近邻算法 | 第31-32页 |
| 2.1.2 随机森林 | 第32-33页 |
| 2.1.3 支持向量机 | 第33-34页 |
| 2.2 深度学习方法 | 第34-39页 |
| 2.2.1 全连接神经网络 | 第34-35页 |
| 2.2.2 卷积神经网络 | 第35-36页 |
| 2.2.3 循环神经网络 | 第36-39页 |
| 第三章 机器学习用于RRUFF矿石拉曼数据库的分类 | 第39-55页 |
| 3.1 数据集的预处理 | 第40-43页 |
| 3.1.1 RRUFF数据库介绍 | 第41-42页 |
| 3.1.2 数据的插值处理 | 第42-43页 |
| 3.2 拉曼光谱的分类识别 | 第43-49页 |
| 3.2.1 主成分分析方法用于特征提取 | 第44-45页 |
| 3.2.2 传统机器学习模型的分类效果 | 第45-46页 |
| 3.2.3 深度学习模型的建立及分类效果 | 第46-49页 |
| 3.3 基于RRUFF数据集的分类效果优化 | 第49-54页 |
| 3.3.1 数据增强 | 第49-52页 |
| 3.3.2 正则化 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 迁移学习算法用于实验拉曼光谱识别 | 第55-75页 |
| 4.1 拉曼实验 | 第55-61页 |
| 4.1.1 实验仪器 | 第55页 |
| 4.1.2 实验试剂 | 第55-60页 |
| 4.1.3 实验流程 | 第60-61页 |
| 4.1.4 实验结果 | 第61页 |
| 4.2 实验拉曼数据的预处理 | 第61-63页 |
| 4.2.1 插值处理 | 第62页 |
| 4.2.2 基线校正 | 第62页 |
| 4.2.3 归一化 | 第62-63页 |
| 4.3 拉曼数据库的预处理 | 第63-65页 |
| 4.4 实验拉曼谱图的分类 | 第65-73页 |
| 4.4.1 迁移学习模型的建立 | 第65-69页 |
| 4.4.2 实验拉曼光谱用于模型精调 | 第69-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-84页 |
| 在学期间发表论文情况 | 第84-85页 |
| 致谢 | 第85-86页 |