| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 发酵过程无损检测技术研究 | 第10-13页 |
| 1.2.1 基于电子鼻技术的发酵过程检测研究 | 第10-12页 |
| 1.2.2 基于近红外光谱技术的发酵过程检测研究 | 第12-13页 |
| 1.3 基于近红外光谱和电子鼻的特征降维应用 | 第13-15页 |
| 1.4 论文主要研究工作 | 第15-18页 |
| 第二章 基于电子鼻的传感器阵列二级优化及建模 | 第18-35页 |
| 2.1 引言 | 第18页 |
| 2.2 实验数据采集 | 第18-20页 |
| 2.2.1 实验材料 | 第18-19页 |
| 2.2.2 固态发酵实验 | 第19页 |
| 2.2.3 电子鼻信号采集 | 第19-20页 |
| 2.3 传感器阵列二级优化 | 第20-25页 |
| 2.3.1 主成分分析原理 | 第20-22页 |
| 2.3.2 主成分分析与相似性因子相结合 | 第22-23页 |
| 2.3.3 传感器阵列一级优化 | 第23-25页 |
| 2.3.4 传感器阵列二级优化 | 第25页 |
| 2.4 识别模型建立 | 第25-30页 |
| 2.4.1 基于线性判别分析的识别模型建立 | 第25-26页 |
| 2.4.2 基于人工神经网络的识别模型建立 | 第26-27页 |
| 2.4.3 基于支持向量机的识别模型建立 | 第27-30页 |
| 2.5 仿真结果分析 | 第30-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第三章 基于siPLS-LASSO的近红外特征波长选择及建模 | 第35-48页 |
| 3.1 引言 | 第35-36页 |
| 3.2 实验数据采集及模型评价标准 | 第36-37页 |
| 3.2.1 试验数据采集 | 第36-37页 |
| 3.2.2 模型评价标准 | 第37页 |
| 3.3 基于siPLS-Lasso的近红外特征波长选择 | 第37-41页 |
| 3.3.1 PLS | 第37-39页 |
| 3.3.2 siPLS | 第39-40页 |
| 3.3.3 LASSO | 第40页 |
| 3.3.4 siPLS-LASSO | 第40-41页 |
| 3.4 仿真结果分析 | 第41-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于深度学习的近红外特征波长选择及建模 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 近红外光谱预处理 | 第48-50页 |
| 4.3 基于深度学习的近红外特征波长提取 | 第50-54页 |
| 4.3.1 卷积神经网络 | 第50-51页 |
| 4.3.2 深度玻尔兹曼机 | 第51-53页 |
| 4.3.3 堆栈自编码网络 | 第53-54页 |
| 4.4 基于遗传深度学习的近红外光谱降维 | 第54-55页 |
| 4.5 仿真结果分析 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间取得的成果 | 第71页 |