| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 菱镁矿 | 第11-13页 |
| 1.1.1 菱镁矿资源分布 | 第11-12页 |
| 1.1.2 我国菱镁矿资源现状 | 第12-13页 |
| 1.2 红外光谱技术 | 第13-17页 |
| 1.2.1 红外光谱原理 | 第13-14页 |
| 1.2.2 近红外光谱分析技术和应用 | 第14-15页 |
| 1.2.3 近红外光谱分析仪器 | 第15页 |
| 1.2.4 近红外光谱分析技术存在的问题 | 第15-17页 |
| 1.2.5 近红外光谱分析技术的一般流程 | 第17页 |
| 1.3 研究现状 | 第17-19页 |
| 1.4 论文的主要内容及结构 | 第19-21页 |
| 第2章 菱镁矿石光谱数据的采集 | 第21-33页 |
| 2.1 实验设备 | 第21-22页 |
| 2.2 菱镁矿石品级的化学测定 | 第22-27页 |
| 2.2.1 菱镁矿石样品中CaO,MgO含量的测定 | 第22-23页 |
| 2.2.2 实验试剂的选择和制取 | 第23-24页 |
| 2.2.3 钙、镁含量测定 | 第24-25页 |
| 2.2.4 重量法测定菱镁矿石中的二氧化硅 | 第25-27页 |
| 2.3 菱镁矿石样本光谱数据的获取 | 第27-29页 |
| 2.3.1 实验过程中的影响因素 | 第27-28页 |
| 2.3.2 菱镁矿光谱实验前准备 | 第28页 |
| 2.3.3 菱镁矿光谱实验步骤 | 第28-29页 |
| 2.4 光谱数据的特征 | 第29-31页 |
| 2.4.1 高维数据的特征 | 第30-31页 |
| 2.4.2 数据的降维方式 | 第31页 |
| 2.5 本章总结 | 第31-33页 |
| 第3章 基于近红外光谱的菱镁矿石品级PCA-ELM二分类模型 | 第33-51页 |
| 3.1 主元分析法(PCA) | 第33-37页 |
| 3.1.1 PCA算法原理 | 第34页 |
| 3.1.2 主成分计算步骤 | 第34-35页 |
| 3.1.3 菱镁矿石样本的PCA降维处理 | 第35-37页 |
| 3.2 极限学习机 | 第37-42页 |
| 3.2.1 神经网络简介 | 第37-38页 |
| 3.2.2 单隐含层前馈神经网络(SLFN)结构及其数学描述 | 第38-40页 |
| 3.2.3 极限学习机算法描述 | 第40-42页 |
| 3.3 基于PCA-ELM的菱镁矿石二分类模型 | 第42-49页 |
| 3.3.1 模型数据的选择和参数的确定 | 第43-45页 |
| 3.3.2 实验仿真与结果分析 | 第45-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于近红外光谱的菱镁矿石品级SAE和ELM多分类模型 | 第51-63页 |
| 4.1 自编码网络 | 第51-56页 |
| 4.1.1 自动编码器 | 第51-55页 |
| 4.1.2 稀疏自编码 | 第55-56页 |
| 4.1.3 栈式自编码网络 | 第56页 |
| 4.2 基于SAE和ELM的实验仿真 | 第56-59页 |
| 4.2.1 基于近红外光谱的SAE的菱镁矿石品级多分类实验仿真 | 第57-58页 |
| 4.2.2 基于近红外光谱的SAE-ELM的菱镁矿石品级多分类实验仿真 | 第58-59页 |
| 4.3 集成学习方法 | 第59-62页 |
| 4.3.1 集成学习基本概念 | 第60页 |
| 4.3.2 集成SAE-ELM菱镁矿石品级多分类模型仿真 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 结论和展望 | 第63-65页 |
| 5.1 结论 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 硕士期间研究成果 | 第71页 |
