基于多谱融合—稀疏模型在黄芪原产地质量管理评价中的应用
摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第9-19页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究文献综述 | 第10-15页 |
1.2.1 黄芪产地鉴别研究现状 | 第10-12页 |
1.2.2 多谱融合分析技术研究现状 | 第12-13页 |
1.2.3 稀疏识别理论研究现状 | 第13-15页 |
1.3 本文研究内容和本文结构 | 第15-19页 |
1.3.1 本文主要研究内容 | 第15-16页 |
1.3.2 本文的创新之处 | 第16-17页 |
1.3.3 本文结构安排 | 第17-19页 |
第二章 稀疏表示理论和模型概述 | 第19-32页 |
2.1 稀疏表示理论 | 第19-20页 |
2.2 稀疏系数求解算法 | 第20-25页 |
2.2.1 L0范数与匹配追踪算法 | 第20-23页 |
2.2.2 L1、L2范数与凸优化问题 | 第23-24页 |
2.2.3 Lp范数优化问题 | 第24-25页 |
2.3 字典学习 | 第25-29页 |
2.3.1 字典的概念 | 第25-26页 |
2.3.2 K-SVD算法字典 | 第26-29页 |
2.4 稀疏表示模型的应用 | 第29-30页 |
2.5 本章稀疏表示模型参数选择 | 第30-32页 |
第三章 黄芪多谱图数据采集和特征提取 | 第32-51页 |
3.1 三种谱图数据采集和数据预处理 | 第32-39页 |
3.1.1 多谱数据采集 | 第32页 |
3.1.2 数据预处理 | 第32-39页 |
3.2 PCA在特征提取中的应用 | 第39-43页 |
3.3 KPCA在特征提取中的应用 | 第43-50页 |
3.3.1 核主成分分析概述 | 第43-44页 |
3.3.2 核函数选择和参数优化 | 第44-50页 |
3.4 本章小结 | 第50-51页 |
第四章 黄芪多谱图数据融合 | 第51-68页 |
4.1 数据融合的分类 | 第51-53页 |
4.1.1 低层级融合 | 第51-52页 |
4.1.2 中层级融合 | 第52-53页 |
4.2 两谱图数据融合 | 第53-63页 |
4.2.1 拉曼光谱结合紫外光谱 | 第53-57页 |
4.2.2 拉曼光谱结合离子迁移谱 | 第57-60页 |
4.2.3 紫外光谱结合离子迁移谱 | 第60-63页 |
4.3 三谱图数据融合 | 第63-67页 |
4.4 本章小结 | 第67-68页 |
第五章 经典分类模型和本文分类模型对比 | 第68-82页 |
5.1 经典分类模型识别效果 | 第68-80页 |
5.1.1 KNN模型 | 第68-70页 |
5.1.2 SVM模型 | 第70-73页 |
5.1.3 Randomforest模型 | 第73-75页 |
5.1.4 ELM模型 | 第75-77页 |
5.1.5 Softmax回归模型 | 第77-78页 |
5.1.6 LDA模型 | 第78-80页 |
5.2 本章小结 | 第80-82页 |
第六章 结论与展望 | 第82-84页 |
6.1 全文工作总结 | 第82-83页 |
6.2 未来工作展望 | 第83-84页 |
参考文献 | 第84-90页 |
攻读硕士学位期间的科研成果 | 第90-91页 |
后记 | 第91页 |