| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 烟叶原料近红外光谱分析研究现状 | 第11-12页 |
| 1.2.2 高维光谱特征空间变换的研究现状 | 第12页 |
| 1.2.3 深度学习的研究现状 | 第12-14页 |
| 1.3 本文主要研究内容和创新点 | 第14-16页 |
| 1.3.1 本文主要研究内容 | 第14-15页 |
| 1.3.2 本文创新点 | 第15-16页 |
| 2 相关研究介绍 | 第16-31页 |
| 2.1 烟叶原料近红外光谱特征分析 | 第16-17页 |
| 2.2 烟叶原料近红外光谱定性分析 | 第17-18页 |
| 2.3 深度学习简介 | 第18-19页 |
| 2.3.1 深度学习基本思想 | 第18页 |
| 2.3.2 深度学习实现过程 | 第18-19页 |
| 2.4 深度学习模型 | 第19-31页 |
| 2.4.1 自编码网络（Autoencoder模型） | 第19-21页 |
| 2.4.2 稀疏自动编码网络（Sparse Autoencoder模型） | 第21-23页 |
| 2.4.3 卷积神经网络（Convolutional Neural Network模型） | 第23-31页 |
| 3 CARS算法提取烟叶原料近红外光谱特征波长 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 CARS算法原理 | 第31-32页 |
| 3.3 实验光谱数据采集和数据分析 | 第32-33页 |
| 3.3.1 实验光谱数据采集 | 第32-33页 |
| 3.3.2 数据分析 | 第33页 |
| 3.4 实验结果与分析 | 第33-41页 |
| 3.4.1 校正模型 | 第33-36页 |
| 3.4.2 全谱建模 | 第36页 |
| 3.4.3 无信息变量消除法建模 | 第36-38页 |
| 3.4.4 CARS方法建模 | 第38-39页 |
| 3.4.5 建模方法的比较 | 第39-41页 |
| 4 烟叶原料近红外光谱特征提取的深度学习算法 | 第41-58页 |
| 4.1 引言 | 第41-42页 |
| 4.2 构建SAE和CNN融合的特征提取方法 | 第42-46页 |
| 4.2.1 构建SAECNN算法 | 第42-44页 |
| 4.2.2 SAECNN算法的实现过程 | 第44-46页 |
| 4.3 实验数据采集与处理 | 第46-48页 |
| 4.3.1 实验环境 | 第46页 |
| 4.3.2 数据采集 | 第46-47页 |
| 4.3.3 光谱预处理 | 第47-48页 |
| 4.3.4 白化处理 | 第48页 |
| 4.4 实验结果和分析 | 第48-58页 |
| 4.4.1 SAECNN方法提取光谱特征的结果分析 | 第48-50页 |
| 4.4.2 引入反向微调机制对模型特征提取的影响 | 第50-51页 |
| 4.4.3 不同卷积核大小对模型特征提取的影响 | 第51-53页 |
| 4.4.4 不同卷积核数量对模型特征提取的影响 | 第53-54页 |
| 4.4.5 特征提取方法的比较 | 第54-58页 |
| 5 总结 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间科研成果和参加的主要科研项目 | 第66页 |
