| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-31页 |
| 1.1 立题依据及意义 | 第12-13页 |
| 1.2 肉类品质检测及评定国内外研究现状 | 第13-20页 |
| 1.2.1 传统肉类品质检测及评定的研究 | 第13-15页 |
| 1.2.2 新技术新方法在肉品质检测中的应用 | 第15-20页 |
| 1.3 电子鼻技术的发展及其多传感器融合在食品方面应用现状 | 第20-29页 |
| 1.3.1 电子鼻技术在油制品检测的应用现状 | 第21页 |
| 1.3.2 电子鼻技术在水产品检测的应用现状 | 第21-22页 |
| 1.3.3 电子鼻技术在谷物检测的应用现状 | 第22-23页 |
| 1.3.4 电子鼻技术在水果和蔬菜检测的应用现状 | 第23-24页 |
| 1.3.5 电子鼻技术在烟、酒、茶、饮料检测的应用现状 | 第24-26页 |
| 1.3.6 多传感器融合在食品检测技术领域的应用 | 第26-29页 |
| 1.4 论文的主要研究内容 | 第29-30页 |
| 1.5 论文研究的创新点 | 第30-31页 |
| 第二章 肉品新鲜度的常规检验 | 第31-37页 |
| 2.1 试验样品制备与储藏 | 第31-32页 |
| 2.2 感官检验 | 第32-33页 |
| 2.3 挥发性盐基氮含量检验 | 第33-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 鼻腔三维模型重建及其流体力学模拟 | 第37-49页 |
| 3.1 嗅觉系统 | 第37-39页 |
| 3.2 鼻腔三维模型重建 | 第39-42页 |
| 3.2.1 成人鼻腔 CT 扫描 | 第39-41页 |
| 3.2.2 鼻腔 CFD 模型建立 | 第41页 |
| 3.2.3 网格划分 | 第41-42页 |
| 3.3 鼻腔模型流体力学特性分析 | 第42-47页 |
| 3.4 仿生电子鼻气体室设计 | 第47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 仿生电子鼻系统设计 | 第49-58页 |
| 4.1 传感器选取 | 第49-51页 |
| 4.2 信号调理电路和模数转化（AD）采样 | 第51-52页 |
| 4.3 组合干燥装置 | 第52-53页 |
| 4.4 仿生电子鼻气体室设计 | 第53-57页 |
| 4.4.1 传感器阵列排布 | 第53-54页 |
| 4.4.2 隔板布置 | 第54-55页 |
| 4.4.3 仿生气体室优化设计 | 第55-57页 |
| 4.5 仿生电子鼻系统结构 | 第57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 肉品新鲜度的仿生电子鼻识别 | 第58-72页 |
| 5.1 试验样品制备与储藏 | 第58页 |
| 5.2 仿生电子鼻数据采集 | 第58-59页 |
| 5.3 传感器阵列对肉品挥发性物质的响应 | 第59-61页 |
| 5.4 识别模型建立和结果分析 | 第61-69页 |
| 5.4.1 数据去噪处理 | 第61-62页 |
| 5.4.2 数据的归一化处理 | 第62-63页 |
| 5.4.3 不同特征值提取对肉品新鲜度识别的影响 | 第63-67页 |
| 5.4.4 不同识别模型的比较与分析 | 第67-68页 |
| 5.4.5 训练样本数对识别结果的分析 | 第68-69页 |
| 5.5 传感器阵列优化 | 第69-70页 |
| 5.6 本章小结 | 第70-72页 |
| 第六章 肉品新鲜度的仿生触觉识别 | 第72-83页 |
| 6.1 试验样品制备与储藏 | 第72页 |
| 6.2 仿生触觉数据采集 | 第72-75页 |
| 6.3 识别模型建立和结果分析 | 第75-81页 |
| 6.3.1 数据归一化 | 第75页 |
| 6.3.2 主成分分析 | 第75-77页 |
| 6.3.3 线性判别分析 | 第77-78页 |
| 6.3.4 基于 RBF 神经网络旳肉品新鲜度模式识别 | 第78-79页 |
| 6.3.5 基于遗传组合神经网络旳肉品新鲜度模式识别 | 第79-80页 |
| 6.3.6 不同识别模型的比较 | 第80-81页 |
| 6.4 本章小结 | 第81-83页 |
| 第七章 基于多技术信息融合的的肉品新鲜度识别 | 第83-98页 |
| 7.1 多信息融合方法 | 第83-87页 |
| 7.1.1 信息融合的基本原理 | 第83-84页 |
| 7.1.2 信息融合的层次 | 第84-86页 |
| 7.1.3 仿生触觉和嗅觉融合的研究思路 | 第86-87页 |
| 7.2 特征提取 | 第87-88页 |
| 7.3 特征级融合 | 第88-89页 |
| 7.4 模式识别算法——基于粒子群优化（PSO）的支持向量机（SVM） | 第89-92页 |
| 7.4.1 粒子群优化 | 第89-90页 |
| 7.4.2 基于粒子群优化的支持向量机 | 第90-92页 |
| 7.5 基于贝叶斯（Bayesian）方法的多传感器融合算法 | 第92-93页 |
| 7.6 仿生触觉和仿生电子鼻对肉品新鲜度的融合识别 | 第93-96页 |
| 7.6.1 PSO-SVM 算法的输入与训练 | 第93-94页 |
| 7.6.2 基于 PSO-SVM 多信息融合系统的评估 | 第94-95页 |
| 7.6.3 基于贝叶斯方法的多信息融合系统的评估 | 第95-96页 |
| 7.7 本章小结 | 第96-98页 |
| 第八章 结论与展望 | 第98-101页 |
| 8.1 结论 | 第98-99页 |
| 8.2 展望 | 第99-101页 |
| 参考文献 | 第101-113页 |
| 攻读博士学位期间发表论文及参与科研项目情况 | 第113-114页 |
| 致谢 | 第114-115页 |
| 导师及作者简介 | 第115-124页 |
