摘要 | 第1-8页 |
Abstract | 第8-15页 |
1 引言 | 第15-29页 |
·研究背景 | 第15-17页 |
·国内外研究现状 | 第17-23页 |
·近红外光谱分析技术现状 | 第17-20页 |
·机器学习研究现状 | 第20-23页 |
·论文研究意义 | 第23-25页 |
·主要研究内容 | 第25-26页 |
·论文组织结构 | 第26-29页 |
2 近红外光谱分析与机器学习概述 | 第29-43页 |
·近红外光谱分析技术 | 第29-34页 |
·光谱数据预处理方法 | 第30-32页 |
·光谱分析建模方法 | 第32-33页 |
·模型评价方法 | 第33-34页 |
·机器学习 | 第34-41页 |
·无监督学习 | 第35-36页 |
·监督学习 | 第36页 |
·半监督学习 | 第36-38页 |
·流形学习 | 第38-39页 |
·迁移学习 | 第39-41页 |
·基于机器学习的近红外光谱分析框架 | 第41页 |
·本章小结 | 第41-43页 |
3 半监督核邻域保护嵌入算法及光谱降维 | 第43-65页 |
·问题的提出 | 第43-45页 |
·相关基础研究 | 第45-55页 |
·主成分分析与近红外光谱降维 | 第46-49页 |
·传统流形学习与近红外光谱降维 | 第49-53页 |
·半监督流形学习方法 | 第53-55页 |
·半监督核邻域保护嵌入算法 | 第55-59页 |
·核空间距离与邻域选择 | 第55-56页 |
·SSKNPE 算法思想 | 第56-57页 |
·SSKNPE 算法设计 | 第57-59页 |
·实验结果及分析 | 第59-64页 |
·实验数据 | 第59-60页 |
·实验评价指标 | 第60页 |
·实验结果及讨论 | 第60-64页 |
·本章小结 | 第64-65页 |
4 基于近邻传播的半监督 SVM 算法及光谱定性分析 | 第65-79页 |
·问题的提出 | 第65-67页 |
·寻找低密度分界线 | 第67-68页 |
·基于近邻传播的半监督 SVM 算法 | 第68-75页 |
·安全的低密度分界线 | 第69-70页 |
·目标函数非凸优化 | 第70-72页 |
·近邻传播聚类算法 | 第72-73页 |
·APS4VM 算法设计 | 第73-75页 |
·实验结果及分析 | 第75-78页 |
·实验数据 | 第75-76页 |
·分类器性能评价指标 | 第76-77页 |
·实验结果及讨论 | 第77-78页 |
·本章小结 | 第78-79页 |
5 基于量子粒子群优化的半监督回归算法及光谱定量分析 | 第79-94页 |
·问题的提出 | 第79-80页 |
·相关基础研究 | 第80-83页 |
·最小二乘支持向量机回归算法 | 第80-81页 |
·半监督回归算法 | 第81-83页 |
·基于量子粒子群优化的半监督 SVR 算法 | 第83-89页 |
·半监督最小二乘支持向量回归算法 | 第83-84页 |
·量子粒子群优化算法 | 第84-86页 |
·QPSO-LSS3VR 算法设计 | 第86-89页 |
·实验结果及分析 | 第89-92页 |
·实验数据 | 第89页 |
·实验结果及讨论 | 第89-92页 |
·本章小结 | 第92-94页 |
6 基于集成迁移学习的近红外光谱分析模型传递方法 | 第94-110页 |
·问题的提出 | 第94-95页 |
·相关基础研究 | 第95-100页 |
·模型传递的基本概念 | 第95-96页 |
·几种有标模型传递方法 | 第96-98页 |
·基于实例的迁移学习方法 | 第98-100页 |
·基于相似匹配与迁移学习的模型传递算法 | 第100-105页 |
·SM-TrBoostEns 算法思想 | 第101-104页 |
·SM-TrBoostEns 算法设计 | 第104-105页 |
·实验结果及分析 | 第105-109页 |
·实验数据 | 第105-106页 |
·实验结果及讨论 | 第106-109页 |
·本章小结 | 第109-110页 |
7 总结和展望 | 第110-113页 |
·本文工作总结 | 第110-111页 |
·未来研究展望 | 第111-113页 |
参考文献 | 第113-119页 |
致谢 | 第119-120页 |
个人简历、在学期间发表的学术论文 | 第120-121页 |
攻读博士学位期间参加科研情况及科研成果 | 第121页 |