| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的与意义 | 第12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 近红外光谱技术研究现状 | 第12-14页 |
| 1.3.2 基于近红外光谱技术的定量建模的研究现状 | 第14-16页 |
| 1.4 研究内容和方法 | 第16-17页 |
| 1.5 论文组织结构 | 第17-19页 |
| 第2章 近红外光谱技术数据分析方法 | 第19-27页 |
| 2.1 近红外光谱的产生原理和数据特征 | 第19-21页 |
| 2.2 近红外光谱数据分析流程 | 第21-22页 |
| 2.3 近红外光谱预处理和筛选特征波长点方法介绍 | 第22-23页 |
| 2.4 近红外光谱定量建模算法介绍 | 第23-24页 |
| 2.5 定量模型的效果评估方法 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 近红外光谱数据预处理以及特征波长点选择 | 第27-37页 |
| 3.1 数据清洗 | 第27页 |
| 3.2 近红外光谱数据预处理实验及分析 | 第27-31页 |
| 3.2.1 预处理方法 | 第27-30页 |
| 3.2.2 预处理实验结果分析对比 | 第30-31页 |
| 3.3 近红外光谱特征波长点的选取实验及分析 | 第31-34页 |
| 3.3.1 近红外光谱特征波长点筛选 | 第31-32页 |
| 3.3.2 实验结果讨论与分析 | 第32-34页 |
| 3.3.3 应用界面实现 | 第34页 |
| 3.4 本章小结 | 第34-37页 |
| 第4章 定量模型的建立和预测 | 第37-47页 |
| 4.1 支持向量机回归预测原理 | 第37-41页 |
| 4.1.1 线性支持向量机回归 | 第37-39页 |
| 4.1.2 非线性支持向量机回归 | 第39-41页 |
| 4.2 LIBSVM软件包简介 | 第41-42页 |
| 4.3 支持向量机回归在近红外光谱定量建模中的应用 | 第42-43页 |
| 4.4 实验以及结果分析 | 第43-46页 |
| 4.4.1 实验数据 | 第43页 |
| 4.4.2 实验结果与分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 支持向量机回归模型参数优化策略 | 第47-61页 |
| 5.1 SVM的两个参数 | 第47页 |
| 5.2 交叉验证 | 第47-48页 |
| 5.3 PSO-SVR算法优化策略 | 第48-50页 |
| 5.3.1 粒子群算法原理 | 第48-49页 |
| 5.3.2 PSO-SVR算法 | 第49-50页 |
| 5.4 GA-SVR算法优化策略 | 第50-52页 |
| 5.4.1 遗传算法原理 | 第50-51页 |
| 5.4.2 GA-SVR算法 | 第51-52页 |
| 5.5 GS-SVR算法优化策略 | 第52-54页 |
| 5.6 优化策略实验结果对比分析 | 第54-57页 |
| 5.6.1 PSO-SVR参数寻优结果 | 第54-55页 |
| 5.6.2 GA-SVR参数寻优结果 | 第55-56页 |
| 5.6.3 GS-SVR参数寻优结果 | 第56-57页 |
| 5.6.4 三种参数优化算法结果对比 | 第57页 |
| 5.7 SPA-GS-SVR数据分析方法在无损检测中的应用 | 第57-60页 |
| 5.7.1 数据来源以及在无损检测中的应用 | 第57-59页 |
| 5.7.2 应用界面设计 | 第59-60页 |
| 5.8 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间已发表的论文 | 第67-69页 |
| 致谢 | 第69页 |
