基于潜变量优化选择的偏最小二乘回归算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 近红外光谱分析技术 | 第12-15页 |
| 1.2.2 多元校正方法 | 第15-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 论文结构 | 第16-19页 |
| 第2章 理论基础 | 第19-37页 |
| 2.1 近红外光谱分析方法 | 第19-24页 |
| 2.2 近红外光谱数据的多重共线性 | 第24-27页 |
| 2.3 偏最小二乘回归 | 第27-33页 |
| 2.3.1 建模原理 | 第28-29页 |
| 2.3.2 计算方法推导 | 第29-32页 |
| 2.3.3 偏最小二乘回归算法 | 第32-33页 |
| 2.4 交叉验证和参数选择 | 第33-34页 |
| 2.5 算法评估方法 | 第34页 |
| 2.6 本章小结 | 第34-37页 |
| 第3章 基于潜变量优化选择的偏最小二乘回归算法 | 第37-47页 |
| 3.1 潜变量选择问题 | 第37-38页 |
| 3.2 加权的潜变量选择优化方法 | 第38-40页 |
| 3.3 预测样本浓度 | 第40-41页 |
| 3.4 算法步骤 | 第41-44页 |
| 3.4.1 加权的潜变量选择优化算法 | 第41-43页 |
| 3.4.2 交叉验证和参数选择 | 第43-44页 |
| 3.5 基于LOPLSR的NIR数据分析方法 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第4章 实验验证 | 第47-61页 |
| 4.1 实验数据和方法 | 第47-48页 |
| 4.1.1 数据介绍 | 第47-48页 |
| 4.1.2 数据环境和实验方法 | 第48页 |
| 4.2 草实验结果 | 第48-55页 |
| 4.2.1 选取最优潜变量过程分析 | 第48-50页 |
| 4.2.2 训练结果分析 | 第50-53页 |
| 4.2.3 预测结果分析 | 第53-55页 |
| 4.2.4 与PLSR算法比较 | 第55页 |
| 4.3 橙汁实验结果 | 第55-59页 |
| 4.3.1 选取最优潜变量过程分析 | 第55-56页 |
| 4.3.2 训练过程分析 | 第56-57页 |
| 4.3.3 预测过程分析 | 第57-58页 |
| 4.3.4 与PLSR算法比较 | 第58-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 基于LOPLSR的光谱分析应用实例 | 第61-73页 |
| 5.1 芍药苷浓度检测 | 第61-65页 |
| 5.1.1 实验环境和实验过程 | 第61-62页 |
| 5.1.2 实验结果 | 第62-65页 |
| 5.2 肉类多成分含量检测 | 第65-72页 |
| 5.2.1 肉制品的近红外光谱检测 | 第65页 |
| 5.2.2 参数选择和模型建立 | 第65-70页 |
| 5.2.3 预测结果分析与对比 | 第70-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73页 |
| 6.2 未来的研究方向 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81页 |
