首页--工业技术论文--轻工业、手工业论文--食品工业论文--水产加工工业论文--水产制品的标准与检验论文

几种海产鱼类菌落总数的近红外快速检测技术

摘要第5-7页
Abstract第7-8页
0 绪论第12-24页
    0.1 选题背景及意义第12-13页
    0.2 菌落总数研究进展第13-14页
    0.3 近红外光谱技术第14-17页
        0.3.1 近红外光谱技术的理论依据第14页
        0.3.2 近红外光谱技术的化学计量学依据第14-15页
        0.3.3 近红外光谱技术的分析特点第15页
        0.3.4 近红外光谱技术的应用领域第15-17页
    0.4 神经网络系统第17-22页
        0.4.1 神经网络系统简介第17-18页
        0.4.2 遗传算法以及误差反向传播神经网络第18-19页
        0.4.3 本研究所需用的相关的 ANN 函数第19-22页
    0.5 研究目的及内容第22-23页
    0.6 技术路线图第23-24页
1 近红外检测方法的建立以及近红外光谱的预处理第24-35页
    1.1 引言第24-25页
    1.2 实验材料与仪器第25页
        1.2.1 主要原料与试剂第25页
        1.2.2 主要仪器第25页
    1.3 实验方法第25-28页
        1.3.1 仪器设备的优化第25-26页
        1.3.2 近红外光谱数据的采集第26-27页
        1.3.3 菌落总数标准值的测定第27-28页
        1.3.4 近红外广谱的处理第28页
    1.4 结果与讨论第28-34页
        1.4.1 仪器设备优化结果第28-31页
        1.4.2 近红外光谱采集结果第31-32页
        1.4.3 菌落总数测定结果第32页
        1.4.4 近红外广谱预处理结果与讨论第32-34页
    1.5 本章小结第34-35页
2 两种模型的建立及其评价标准第35-48页
    2.1 引言第35页
    2.2 两种模型的建立第35-40页
        2.2.1 最小偏二乘法(PLS)建立第35-36页
        2.2.3 GA+BP-ANN 建立第36-40页
    2.3 模型决定系数以及均方根误差第40-41页
    2.4 实验结果与讨论第41-47页
        2.4.1 利用最小偏二乘法建立牙鲆菌落总数预测模型及其验证模型结果:第41-43页
        2.4.2 GA 与 BP 神经网络建模与验证结果第43-47页
    2.5 本章小结第47-48页
3 模型应用及实际样本验证第48-61页
    3.1 引言第48页
    3.2 实验材料与仪器第48-49页
        3.2.1 主要原料与试剂第48-49页
        3.2.2 主要仪器第49页
    3.3 试验方法第49-51页
        3.3.1 近红外光谱的采集第49页
        3.3.2 菌落总数标准值测定第49-50页
        3.3.4 近红外光广谱预处理第50页
        3.3.5 GA+BP-ANN 系统训练第50页
        3.3.6 实际样本性能验证第50-51页
    3.4 实验结果与讨论第51-59页
        3.4.1 牙鲆实际样本性能验证结果第51页
        3.4.2 鲈鱼模型的建立,优化及实际样本验证结果与讨论第51-55页
        3.4.3 三文鱼模型的建立,优化及实际样本验证的结果与讨论第55-59页
    3.5 本章小结第59-61页
本文结论第61-63页
参考文献第63-68页
致谢第68-69页
个人简历第69-70页
发表的学术论文第70-71页

论文共71页,点击 下载论文
上一篇:食品中常见的16种邻苯二甲酸酯类增塑剂迁移规律的研究
下一篇:POSS的点击化学修饰及其与PMMA和有机硅复合材料的制备与性能研究