摘要 | 第1-5页 |
Abstract | 第5-11页 |
前言 | 第11-13页 |
第一章 综述 | 第13-30页 |
·小波分析方法在化学中应用的新进展 | 第13-16页 |
·数据压缩与校正 | 第13-14页 |
·平滑滤噪 | 第14-15页 |
·特征提取 | 第15-16页 |
·其它应用 | 第16页 |
·展望 | 第16页 |
·人工神经网络方法在化学中应用的新进展 | 第16-21页 |
·多元校正 | 第17-18页 |
·定量构效关系 | 第18页 |
·模式识别分类研究 | 第18-19页 |
·过程控制、模拟及优化 | 第19-20页 |
·化学建模 | 第20-21页 |
·展望 | 第21页 |
·遗传算法在化学中应用的新进展 | 第21-24页 |
·谱图解析 | 第22页 |
·参数优化 | 第22-23页 |
·结构分析 | 第23页 |
·与其他算法的联用 | 第23-24页 |
·展望 | 第24页 |
·傅立叶变换在化学中应用的新进展 | 第24-27页 |
·色谱分析 | 第25页 |
·红外光谱分析 | 第25-26页 |
·信号处理 | 第26-27页 |
·展望 | 第27页 |
·蚁群算法在化学中应用的新进展 | 第27-30页 |
·参数优化和估计 | 第27-28页 |
·结构分析 | 第28页 |
·多元分辨及多元校正 | 第28页 |
·展望 | 第28-30页 |
第二章 基本理论 | 第30-55页 |
·小波分析的基本理论 | 第30-38页 |
·小波变换 | 第30-31页 |
·多分辨率分析 | 第31-32页 |
·常用小波 | 第32-36页 |
·信号的压缩处理 | 第36-37页 |
·信号的去噪处理 | 第37-38页 |
·信号的背景扣除 | 第38页 |
·蚁群算法的基本理论 | 第38-41页 |
·蚁群算法用于聚类分析 | 第40-41页 |
·模糊聚类基本理论 | 第41-43页 |
·模糊集的基本知识 | 第41-42页 |
·K均值聚类 | 第42-43页 |
·模糊C均值聚类 | 第43页 |
·神经网络的基本理论 | 第43-45页 |
·BP神经网络 | 第43-44页 |
·径向基函数神经网络 | 第44-45页 |
·遗传算法的基本理论 | 第45-51页 |
·编码 | 第46页 |
·群体初始化 | 第46页 |
·适应度函数 | 第46-47页 |
·遗传算子 | 第47-49页 |
·终止条件 | 第49-50页 |
·遗传算法的运行参数 | 第50页 |
·遗传算法的运算步骤 | 第50-51页 |
·用GAs优化BP网络结构和参数 | 第51-52页 |
·傅立叶变换的基本理论 | 第52-55页 |
·傅立叶(Fourier)变换模型的基本理论 | 第52-53页 |
·Fourier变换自去卷积 | 第53-55页 |
第三章 化学计量学算法在分析化学中应用 | 第55-83页 |
·蚁群算法-模糊聚类径向基网络用于分光光度法同时测定铋和锆 | 第55-62页 |
·基本原理 | 第55-58页 |
·试验部分 | 第58-59页 |
·结果与讨论 | 第59-61页 |
·合成样品分析 | 第61-62页 |
·小波变换与傅立叶变换用于红外光谱数据处理的比较 | 第62-67页 |
·原理 | 第62-64页 |
·计算方法 | 第64-65页 |
·结果与讨论 | 第65-67页 |
·小波变换、傅立叶自去卷积、二阶样条小波卷积用于ICP-AES光谱的模拟研究 | 第67-75页 |
·原理 | 第67-71页 |
·试验部分 | 第71-73页 |
·结果与讨论 | 第73-75页 |
·小波变换、傅立叶自去卷积、二阶样条小波卷积在ICP-AES光谱的应用研究 | 第75-80页 |
·原理 | 第75-76页 |
·试验部分 | 第76-79页 |
·结果与讨论 | 第79-80页 |
·神经网络和遗传算法用于分光光度法同时测定铋和锆 | 第80-83页 |
·遗传神经网络算法 | 第81页 |
·试验部分 | 第81页 |
·结果与讨论 | 第81-82页 |
·合成样品分析 | 第82-83页 |
结论 | 第83-85页 |
参考文献 | 第85-95页 |
致谢 | 第95-96页 |
攻读学位期间发表的学术论文目录 | 第96页 |