| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 引言 | 第8-12页 |
| 1.1 生姜的应用价值 | 第8-9页 |
| 1.1.1 生姜的食用价值 | 第8页 |
| 1.1.2 生姜的药用及保健价值 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 干制生姜的研究 | 第9页 |
| 1.2.2 利用BP神经网络预测研究现状 | 第9-10页 |
| 1.2.3 利用支持向量机预测研究现状 | 第10-11页 |
| 1.3 选题的目的和意义 | 第11页 |
| 1.4 本课题的主要研究内容 | 第11-12页 |
| 2 生姜热风干燥特性试验研究 | 第12-21页 |
| 2.1 研究内容 | 第12-13页 |
| 2.1.1 干燥曲线 | 第12页 |
| 2.1.2 干燥速率曲线 | 第12-13页 |
| 2.2 试验材料与装置 | 第13-14页 |
| 2.2.1 试验材料 | 第13页 |
| 2.2.2 试验装置 | 第13-14页 |
| 2.3 试验方法 | 第14-15页 |
| 2.3.1 初始含水率及平衡含水率测定方法 | 第14-15页 |
| 2.3.2 生姜热风干燥试验方法 | 第15页 |
| 2.4 试验设计方案 | 第15-16页 |
| 2.5 试验结果与分析 | 第16-19页 |
| 2.5.1 热风温度对干燥特性的影响 | 第16-17页 |
| 2.5.2 热风速度对干燥特性的影响 | 第17-18页 |
| 2.5.3 切片厚度对干燥特性的影响 | 第18-19页 |
| 2.6 生姜热风干燥正交试验 | 第19-21页 |
| 3 基于BP神经网络的生姜含水率预测模型建立 | 第21-30页 |
| 3.1 BP神经网络概述 | 第21-23页 |
| 3.1.1 人工神经元模型 | 第21-22页 |
| 3.1.2 BP神经网络的结构 | 第22-23页 |
| 3.2 BP神经网络程序设计流程及开发语言 | 第23-24页 |
| 3.2.1 BP神经网络程序设计流程 | 第23页 |
| 3.2.2 BP神经网络程序设计语言 | 第23-24页 |
| 3.3 仿真性能评价指标及数据的预处理 | 第24-25页 |
| 3.3.1 模型相关性检验指标 | 第24页 |
| 3.3.2 模型预测精度检验指标 | 第24-25页 |
| 3.3.3 数据的归一化处理 | 第25页 |
| 3.4 BP神经网络的构建 | 第25-28页 |
| 3.4.1 输入/输出层节点的选择 | 第25-26页 |
| 3.4.2 传递函数的选择 | 第26页 |
| 3.4.3 训练函数的选择 | 第26页 |
| 3.4.4 隐含层节点数的选择 | 第26-28页 |
| 3.5 基于BP神经网络含水率预测模型的训练和测试 | 第28-30页 |
| 3.5.1 网络模型的训练 | 第28-29页 |
| 3.5.2 网络模型的测试 | 第29-30页 |
| 4 基于支持向量机的生姜含水率预测模型建立 | 第30-38页 |
| 4.1 支持向量机理论基础 | 第30-33页 |
| 4.1.1 SVR基本思想 | 第31-32页 |
| 4.1.2 支持向量机核函数 | 第32-33页 |
| 4.2 支持向量机开发语言及程序设计流程 | 第33-35页 |
| 4.2.1 支持向量机程序设计语言 | 第33页 |
| 4.2.2 支持向量机程序设计流程 | 第33-35页 |
| 4.3 基于支持向量机含水率预测模型的训练和测试 | 第35-37页 |
| 4.3.1 网络模型的训练 | 第35-36页 |
| 4.3.2 网络模型的测试 | 第36-37页 |
| 4.4 结果比较 | 第37-38页 |
| 5 结论与建议 | 第38-40页 |
| 5.1 结论 | 第38-39页 |
| 5.2 建议 | 第39-40页 |
| 致谢 | 第40-41页 |
| 参考文献 | 第41-43页 |
| 附录 | 第43-47页 |
| 作者简介 | 第47页 |