| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景 | 第13页 |
| 1.2 研究价值与目的 | 第13-14页 |
| 1.3 提炼中草药的发展情况 | 第14-16页 |
| 1.3.1 传统中药提取 | 第14-15页 |
| 1.3.2 国内与国外先进的科技 | 第15-16页 |
| 1.4 软测量建模方法 | 第16-20页 |
| 1.4.1 传统方法的基础上建立的软测量模型 | 第17-18页 |
| 1.4.2 回归分析基础上建立的软测量模型 | 第18页 |
| 1.4.3 基于智能方法软测量建模 | 第18-20页 |
| 1.5 支持向量机特点及研究概况 | 第20-21页 |
| 1.5.1 支持向量机特点 | 第20页 |
| 1.5.2 目前国内与国外探究支持向量机的具体情况 | 第20-21页 |
| 1.5.3 支持向量机硬件实现国内外研究概况 | 第21页 |
| 1.6 研究内容与创新 | 第21-22页 |
| 1.7 本章小结 | 第22-23页 |
| 第二章 超声波提取实验与数据测量 | 第23-35页 |
| 2.1 实验目标 | 第23页 |
| 2.2 具体方案 | 第23-26页 |
| 2.2.1 超声波萃取机制 | 第23-24页 |
| 2.2.2 制约超声波萃取效率的关键因素 | 第24页 |
| 2.2.3 本实验采用方案 | 第24-26页 |
| 2.3 实验所拥有的设备 | 第26-28页 |
| 2.4 实验数据的获取 | 第28-32页 |
| 2.5 加入破碎超声波后提取效果对照 | 第32-34页 |
| 2.6 总结 | 第34-35页 |
| 第三章 基于智能方法软测量数学模型的建立 | 第35-59页 |
| 3.1 支持向量机的工作模式 | 第35-44页 |
| 3.1.1 理论依据 | 第35-36页 |
| 3.1.2 支持向量机 | 第36-40页 |
| 3.1.3 最小二乘支持向量机(LS-SVM) | 第40-41页 |
| 3.1.4 核函数 | 第41-42页 |
| 3.1.5 参数的选取 | 第42-44页 |
| 3.2 基于BP神经网络的软测量建模 | 第44-47页 |
| 3.2.1 数据预处理 | 第44页 |
| 3.2.2 如何对辅助变量进行选择 | 第44-45页 |
| 3.2.3 BP神经网络的软测量如何建模 | 第45-47页 |
| 3.3 以SVM方法为基础的软测量的建模 | 第47-54页 |
| 3.3.1 标准SVM软测量建模 | 第48-53页 |
| 3.3.2 建立LS-SVM软测量模型 | 第53-54页 |
| 3.4 分析实验结果 | 第54-57页 |
| 3.4.1 对比各式模型 | 第54-55页 |
| 3.4.2 影响提取率的因素 | 第55-56页 |
| 3.4.3 建立关于向量的硬件模型以及确定其参数 | 第56-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 软测量系统的软硬件实现 | 第59-75页 |
| 4.1 检测系统软件架构和硬件设计 | 第59-60页 |
| 4.2 嵌入式Linux操作系统移植 | 第60-65页 |
| 4.2.1 宿主机搭建交叉编译环境 | 第61页 |
| 4.2.2 编译并移植vivi | 第61-62页 |
| 4.2.3 编译并移植Linux内核 | 第62-64页 |
| 4.2.4 编译并移植根文件系统 | 第64-65页 |
| 4.3 Linux设备驱动程序 | 第65-67页 |
| 4.4 嵌入式Qt移植及应用程序设计 | 第67-73页 |
| 4.4.1 Qt 移植 | 第67-68页 |
| 4.4.2 基于Qt Creator的应用程序设计 | 第68-73页 |
| 4.5 软测量在线系统软硬件测试 | 第73-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第五章 结论与展望 | 第75-77页 |
| 5.1 结论 | 第75页 |
| 5.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 研究成果及发表的学术论文 | 第83-85页 |
| 作者和导师简介 | 第85-87页 |
| 硕士研究生学位论文答辩委员会决议书 | 第87-88页 |