| 声明 | 第1-4页 |
| 摘要 | 第4-6页 |
| 英文摘要(Abstract) | 第6-8页 |
| 目录 | 第8-13页 |
| 第一章 绪论 | 第13-33页 |
| ·中药现代化的背景及中药质量控制的重要性 | 第13页 |
| ·大黄的质量控制 | 第13-15页 |
| ·大黄的价值 | 第13-14页 |
| ·大黄的真伪研究 | 第14页 |
| ·大黄的化学研究 | 第14-15页 |
| ·中药质量控制方法 | 第15页 |
| ·近红外技术(NIR)在药物质量控制中的应用 | 第15-17页 |
| ·近红外光谱技术 | 第15-16页 |
| ·近红外技术(NIR)在药物分析中的应用 | 第16-17页 |
| ·用于近红外光谱分析的化学计量学(chemometrics)方法 | 第17-26页 |
| ·主成分分析和因子分析 | 第17页 |
| ·偏最小二乘方法 | 第17-18页 |
| ·小波分析 | 第18页 |
| ·自模型混合物分辨方法 | 第18页 |
| ·径向基函数(RBF)神经网络 | 第18-21页 |
| ·人工神经网路 | 第18-19页 |
| ·RBF神经网格基础 | 第19-20页 |
| ·RBF神经网络的应用 | 第20-21页 |
| ·支持向量机(SVM) | 第21-26页 |
| ·支持向量机分类算法 | 第22-24页 |
| ·支持向量机回归算法 | 第24-25页 |
| ·支持向量机的应用研究 | 第25-26页 |
| ·本文的研究工作与内容安排 | 第26-27页 |
| ·本文研究的主要思路与方法 | 第26页 |
| ·内容安排 | 第26-27页 |
| 参考文献 | 第27-33页 |
| 第二章 大黄近红外光谱的主成分分析 | 第33-42页 |
| ·前言 | 第33页 |
| ·主成分分析 | 第33-34页 |
| ·实验部分 | 第34-37页 |
| ·仪器与样品 | 第34-36页 |
| ·数据的采集 | 第36-37页 |
| ·结果与讨论 | 第37-40页 |
| ·大黄样本的近红外光谱 | 第37页 |
| ·大黄样本主成分分析 | 第37-40页 |
| ·正品与非正品大黄样本特征向量 | 第37-39页 |
| ·样本分类 | 第39-40页 |
| ·结论 | 第40页 |
| 参考文献 | 第40-42页 |
| 第三章 RBF神经网络与近红外光谱鉴别大黄 | 第42-50页 |
| ·前言 | 第42页 |
| ·径向基函数(RBF)神经网络 | 第42-44页 |
| ·RBF的基本思想 | 第42-43页 |
| ·径向基函数神经网络(RBFNN)原理 | 第43-44页 |
| ·实验部分 | 第44-45页 |
| ·仪器与样品 | 第44页 |
| ·数据采集和处理 | 第44-45页 |
| ·结果与讨论 | 第45-49页 |
| ·网络参数的影响 | 第45-46页 |
| ·参数mn的优化 | 第46-47页 |
| ·参数sc的优化 | 第47-48页 |
| ·大黄样本的鉴别结果 | 第48-49页 |
| ·结论 | 第49页 |
| 参考文献 | 第49-50页 |
| 第四章 岭回归RBF神经网络与近红外光谱鉴别大黄(Ridge regression radial basis function network applied to rhubarb recognition based on NIR spectra) | 第50-62页 |
| ·前言(Introduction) | 第50-51页 |
| ·理论部分(Theoretical Base) | 第51-54页 |
| ·RBF神经网络(RBF network) | 第51-52页 |
| ·岭回归RBF神经网络(RRRBF network) | 第52-53页 |
| ·模型选择标准(Model selection criteria) | 第53-54页 |
| ·实验部分(Experiment) | 第54-56页 |
| ·仪器与样品(Instruments and samples) | 第54页 |
| ·数据采集(Data collection) | 第54-55页 |
| ·Leave-one-out交叉验证法(Leave-one-out cross-validation) | 第55页 |
| ·Leave-n-out交叉验证法(Leave-n-out cross-validation) | 第55页 |
| ·模型稳定性评价(Evaluation of model reliability) | 第55-56页 |
| ·结果与讨论(Results and discussion) | 第56-60页 |
| ·数据处理(Data pretreatment) | 第56-57页 |
| ·参数优化(The optimal parameters of FSRBF and RRRBF networks) | 第57-59页 |
| ·大黄样本预测结果(Prediction results of rhubarb recognition) | 第59页 |
| ·比较分析(Comparison) | 第59-60页 |
| ·结论(Conclusion) | 第60页 |
| 参考文献(References) | 第60-62页 |
| 第五章 支持向量机与近红外光谱法鉴定大黄 | 第62-72页 |
| ·引言 | 第62-63页 |
| ·支持向量机的分类(SVC)方法简介 | 第63-65页 |
| ·实验部分(Experiment) | 第65-68页 |
| ·仪器与样品(Instruments and samples) | 第65页 |
| ·数据的采集与处理 | 第65-67页 |
| ·函数运算 | 第67-68页 |
| ·结果与讨论 | 第68-70页 |
| ·大黄鉴别结果 | 第68页 |
| ·讨论 | 第68-70页 |
| ·线性核函数Parameter C的选择 | 第68页 |
| ·径向基核函数Parameter C与Rbf gamma的选择 | 第68-69页 |
| ·多项式核函数参数的选择 | 第69页 |
| ·S形核函数参数的选择 | 第69-70页 |
| ·与RBF神经网络作对比 | 第70页 |
| ·结语 | 第70页 |
| 参考文献 | 第70-72页 |
| 第六章 主成分分析—支持向量机应用于近红外光谱预测大黄组分含量的研究(Principal Components Analysis and Support Vector Regression Applied to Quantitative Prediction of Rhubarbs Based on Near Infrared Spectra) | 第72-91页 |
| ·前言(Introduction) | 第72-73页 |
| ·理论部分(Theoretical Base) | 第73-75页 |
| ·实验部分(Experiment) | 第75-79页 |
| ·仪器与样品(Instruments and samples) | 第75-76页 |
| ·数据采集(Data collection) | 第76页 |
| ·自然对数分析(Natural Logarithm Analysis) | 第76-77页 |
| ·导数分析(Derivative Analysis) | 第77-79页 |
| ·模型稳定性评价(Evaluation of model reliability) | 第79页 |
| ·结果与讨论(Results and discussion) | 第79-88页 |
| ·主成分分析(Principal Component Analysis) | 第79-80页 |
| ·参数优化(Optimal parameters) | 第80-84页 |
| ·RBF神经网络参数优化(Optimization of Parameters of RBF) | 第80-83页 |
| ·SVR参数优化(Optimization of Parameters of SVR) | 第83-84页 |
| ·大黄中四种组分的预测结果(Prediction Results of Four Constituents in Rhubarb) | 第84-87页 |
| ·比较分析(Comparison) | 第87-88页 |
| ·结论(Conclusions) | 第88-89页 |
| 参考文献(References) | 第89-91页 |
| 第七章 自模型混合物分辨方法对多环芳烃和氮类杂环物质混合物的室温磷光光谱分析 | 第91-101页 |
| ·引言 | 第91-92页 |
| ·SIMPLISMA基本原理 | 第92-93页 |
| ·实验部分 | 第93-95页 |
| ·仪器与试剂 | 第93-94页 |
| ·RTP的测定 | 第94页 |
| ·数据采集 | 第94-95页 |
| ·结果与讨论 | 第95-100页 |
| ·咔唑、苯并喹啉、芴三组分提取谱图与原谱图相关系数 | 第95页 |
| ·提取谱图分析 | 第95-97页 |
| ·咔唑、苯并喹啉、芴三组分的浓度预测 | 第97-100页 |
| ·浓度预测结果分析 | 第100页 |
| ·结论 | 第100页 |
| 参考文献 | 第100-101页 |
| 附录：攻读硕士期间论文发表情况 | 第101-102页 |
| 致谢 | 第102页 |
