| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 引言 | 第15-17页 |
| 1.2 分子光谱分析技术简介 | 第17-20页 |
| 1.2.1 近红外光谱分析原理 | 第17-18页 |
| 1.2.2 拉曼光谱分析原理 | 第18-19页 |
| 1.2.3 分子光谱分析技术发展历史 | 第19-20页 |
| 1.3 分子光谱分析技术研究及应用现状 | 第20-23页 |
| 1.3.1 拉曼光谱分析方法研究现状 | 第20-22页 |
| 1.3.2 近红外光谱分析方法研究现状 | 第22-23页 |
| 1.4 分子光谱分析方法中波长选择的意义 | 第23-24页 |
| 1.5 本文主要内容 | 第24-27页 |
| 第二章 光谱分析中的化学计量方法 | 第27-39页 |
| 2.1 引言 | 第27页 |
| 2.2 光谱预处理方法 | 第27-29页 |
| 2.2.1 光谱数据标准化处理 | 第27-28页 |
| 2.2.2 光谱数据平滑 | 第28页 |
| 2.2.3 光谱数据导数算法 | 第28页 |
| 2.2.4 基线校正 | 第28-29页 |
| 2.3 异常样本识别方法及数据集划分 | 第29-31页 |
| 2.3.1 异常样本识别 | 第29-30页 |
| 2.3.2 校正样本的采样方法 | 第30-31页 |
| 2.4 波长选择方法 | 第31-34页 |
| 2.4.1 相关系数法 | 第31-32页 |
| 2.4.2 间隔及间隔组合最小二乘波长选择 | 第32页 |
| 2.4.3 遗传算法 | 第32-33页 |
| 2.4.4 蚁群算法 | 第33-34页 |
| 2.5 定量分析建模方法 | 第34-37页 |
| 2.5.1 多元线性回归 | 第34页 |
| 2.5.2 主成分回归 | 第34-35页 |
| 2.5.3 偏最小二乘回归 | 第35-36页 |
| 2.5.4 人工神经网络 | 第36页 |
| 2.5.5 最小二乘支持向量机 | 第36-37页 |
| 2.6 定量模型的评价指标 | 第37-38页 |
| 2.8 本章小结 | 第38-39页 |
| 第三章 基于蚁群算法的分子光谱波长选择新方法 | 第39-61页 |
| 3.1 引言 | 第39页 |
| 3.2 改进的基于蚁群算法的波长选择新方法(VIP-ACO) | 第39-44页 |
| 3.2.1 VIP-ACO算法步骤 | 第41-42页 |
| 3.2.2 算法初始值及公式解释 | 第42-44页 |
| 3.3 VIP-ACO与其他波长选择方法对比 | 第44-57页 |
| 3.3.1 相关系数法 | 第45-47页 |
| 3.3.2 间隔偏最小二乘方法 | 第47-48页 |
| 3.3.3 遗传算法 | 第48-50页 |
| 3.3.4 基本蚁群算法 | 第50-52页 |
| 3.3.5 VIP-ACO算法 | 第52-57页 |
| 3.4 结合偏最小二乘系数的改进的VIP-ACO波长选择方法 | 第57-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 生物柴油调合油拉曼光谱分析 | 第61-89页 |
| 4.1 引言 | 第61-62页 |
| 4.2 生物柴油与石化柴油调合油的拉曼光谱采集 | 第62-66页 |
| 4.2.1 拉曼光谱采集系统介绍 | 第62-63页 |
| 4.2.2 生物柴油调合油光谱采集结果 | 第63-64页 |
| 4.2.3 异常样本剔除 | 第64-66页 |
| 4.3 生物柴油调合油光谱预处理 | 第66-70页 |
| 4.3.1 基线校正 | 第66-67页 |
| 4.3.2 平滑算法 | 第67-69页 |
| 4.3.3 导数算法 | 第69-70页 |
| 4.4 生物柴油调合油拉曼光谱定量模型 | 第70-78页 |
| 4.4.1 主成分回归模型(PCR) | 第71-72页 |
| 4.4.2 偏最小二乘回归(PLS) | 第72-74页 |
| 4.4.3 人工神经网络 | 第74-75页 |
| 4.4.4 最小二乘支持向量机(LSSVM) | 第75-78页 |
| 4.5 对调合油拉曼光谱的波数筛选 | 第78-87页 |
| 4.5.1 相关系数法 | 第78-79页 |
| 4.5.2 间隔偏最小二乘法 | 第79-81页 |
| 4.5.3 遗传算法 | 第81-82页 |
| 4.5.4 蚁群算法 | 第82-83页 |
| 4.5.5 结合投影变量重要性系数和PLSR系数的改进的蚁群算法 | 第83-87页 |
| 4.6 本章小结 | 第87-89页 |
| 第五章 生物柴油调合油近红外光谱分析 | 第89-109页 |
| 5.1 引言 | 第89页 |
| 5.2 生物柴油调合油近红外光谱预处理 | 第89-94页 |
| 5.2.1 异常样本剔除 | 第89-91页 |
| 5.2.2 基线校正 | 第91-93页 |
| 5.2.3 平滑算法 | 第93-94页 |
| 5.3 生物柴油调合油近红外光谱定量模型 | 第94-99页 |
| 5.3.1 主成分回归模型(PCR) | 第94-96页 |
| 5.3.2 偏最小二乘回归(PLS) | 第96-97页 |
| 5.3.3 人工神经网络 | 第97-98页 |
| 5.3.4 最小二乘支持向量机(LSSVM) | 第98-99页 |
| 5.4 调合油近红外光谱的波长筛选 | 第99-107页 |
| 5.4.1 相关系数法 | 第99-100页 |
| 5.4.2 间隔偏最小二乘法 | 第100-101页 |
| 5.4.3 遗传算法 | 第101-102页 |
| 5.4.4 蚁群算法 | 第102-103页 |
| 5.4.5 PLS-VIP-ACO算法 | 第103-107页 |
| 5.5 本章小结 | 第107-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 6.1 总结 | 第109-110页 |
| 6.2 展望 | 第110-113页 |
| 参考文献 | 第113-121页 |
| 攻读硕士学位期间主要的研究成果 | 第121-123页 |
| 作者简介 | 第123页 |
