| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 课题研究的意义 | 第13-14页 |
| 1.2 国内外研究概况 | 第14-22页 |
| 1.2.1 烟草行业NIR国内外研究概况 | 第14-19页 |
| 1.2.2 烟草行业EN国内外研究概况 | 第19-22页 |
| 1.3 论文的主要研究内容 | 第22-23页 |
| 第二章 数据挖掘算法 | 第23-26页 |
| 2.1 主成分分析方法 | 第23页 |
| 2.2 偏最小二乘方法 | 第23-24页 |
| 2.3 最近邻方法 | 第24页 |
| 2.4 反向人工神经网络方法 | 第24-25页 |
| 2.5 支持向量机方法 | 第25-26页 |
| 第三章 基于NIR-SVC模型的烟叶部位判别 | 第26-53页 |
| 3.1 烟叶NIR光谱数据采集 | 第27-28页 |
| 3.2 烟叶NIR数据的差异性和重现性 | 第28-30页 |
| 3.2.1 同一烟叶样本NIR光谱数据的重现性 | 第28-29页 |
| 3.2.2 不同烟叶样本NIR光谱数据的差异性 | 第29-30页 |
| 3.3 选择NIR不同谱区数据对烟叶部位判别的影响 | 第30-35页 |
| 3.3.1 全谱区数据的烟叶部位判别模型结果 | 第31-32页 |
| 3.3.2 部分谱区数据的烟叶部位判别模型结果 | 第32-34页 |
| 3.3.3 不同谱区数据的烟叶部位判别结果比较 | 第34-35页 |
| 3.4 选择NIR数据不同降维方法对烟叶部位判别的影响 | 第35-40页 |
| 3.4.1 PCA降维 | 第36-37页 |
| 3.4.2 PLS降维 | 第37-39页 |
| 3.4.3 不同降维方法的烟叶部位判别模型比较 | 第39-40页 |
| 3.5 NIR光谱数据降维后变量选择对烟叶部位判别的影响 | 第40-41页 |
| 3.6 选择不同数据挖掘算法对烟叶部位判别的影响 | 第41-45页 |
| 3.6.1 KNN | 第41-43页 |
| 3.6.2 SVC | 第43-44页 |
| 3.6.3 不同数据挖掘方法的烟叶部位判别模型比较 | 第44-45页 |
| 3.7 选择不同核函数对烟叶部位判别的影响 | 第45-49页 |
| 3.7.1 径向基核函数 | 第45-46页 |
| 3.7.2 多项式核函数 | 第46-47页 |
| 3.7.3 线性核函数 | 第47-49页 |
| 3.7.4 不同核函数的烟叶部位判别模型比较 | 第49页 |
| 3.8 小结 | 第49-53页 |
| 第四章 基于EN-SVC模型的烟叶部位判别 | 第53-77页 |
| 4.1 烟叶EN数据的差异性和重现性 | 第53-55页 |
| 4.1.1 同一烟叶样本EN数据的重现性 | 第53-54页 |
| 4.1.2 不同烟叶样品EN数据的差异性 | 第54-55页 |
| 4.2 选择不同时间段EN数据对烟叶部位判别的影响 | 第55-60页 |
| 4.2.1 仅仅选择每条感应器上最大值作为影响变量 | 第56-57页 |
| 4.2.2 选择3s—30s的电子鼻数据作为影响变量 | 第57-58页 |
| 4.2.3 选择3s—40s的电子鼻数据作为影响变量 | 第58-60页 |
| 4.2.4 选择不同时间段EN数据的烟叶部位判别模型比较 | 第60页 |
| 4.3 选择不同传感器对烟叶部位判别的影响 | 第60-67页 |
| 4.3.1 只选择第一感应室的传感器 | 第61-62页 |
| 4.3.2 只选择第二感应室的传感器 | 第62-63页 |
| 4.3.3 只选取第三感应室的传感器 | 第63-65页 |
| 4.3.4 选择全部十八根传感器 | 第65-66页 |
| 4.3.5 选取不同传感器的烟叶部位判别模型比较 | 第66-67页 |
| 4.4 选择EN数据不同降维方法对烟叶部位判别的影响 | 第67-70页 |
| 4.4.1 PCA降维 | 第67-68页 |
| 4.4.2 PLS降维 | 第68-69页 |
| 4.4.3 不同EN数据降维方法的烟叶部位判别模型比较 | 第69-70页 |
| 4.5 EN数据降维后变量选择对烟叶部位判别的影响 | 第70页 |
| 4.6 选择不同数据挖掘算法对烟叶部位判别的影响 | 第70-73页 |
| 4.6.1 KNN | 第70-71页 |
| 4.6.2 SVC | 第71-73页 |
| 4.6.3 不同数据挖掘算法的烟叶部位判别模型比较 | 第73页 |
| 4.7 小结 | 第73-77页 |
| 第五章 基于NIR-EN-SVC模型的烟叶部位判别 | 第77-94页 |
| 5.1 烟叶NIR-EN数据融合方式对烟叶部位判别的影响 | 第78-81页 |
| 5.1.1 先融合后降维 | 第78-79页 |
| 5.1.2 先降维后融合 | 第79-81页 |
| 5.1.3 不同融合方式的烟叶部位判别模型比较 | 第81页 |
| 5.2 烟叶NIR-EN数据融合后变量选择对烟叶部位判别的影响 | 第81-82页 |
| 5.3 烟叶NIR-EN融合后数据挖掘方法选择对烟叶部位判别的影响 | 第82-85页 |
| 5.3.1 KNN | 第82-84页 |
| 5.3.2 SVG | 第84-85页 |
| 5.3.3 烟叶NIR-EN融合后不同数据挖掘方法的烟叶部位判别模型比较 | 第85页 |
| 5.4 烟叶NIR-EN融合后核函数选择对烟叶部位判别的影响 | 第85-90页 |
| 5.4.1 多项式核函数 | 第86-87页 |
| 5.4.2 径向基核函数 | 第87-88页 |
| 5.4.3 线性核函数 | 第88-90页 |
| 5.4.4 烟叶NIR-EN融合后选择不同核函数的烟叶部位判别模型比较 | 第90页 |
| 5.5 烟叶NIR-EN融合和单一NIR、EN数据的模型比较 | 第90页 |
| 5.6 小结 | 第90-94页 |
| 第六章 NIR-EN数据融合在烟草中的应用 | 第94-108页 |
| 6.1 烟叶NIR-EN融合数据对烟叶年份的判别 | 第94-99页 |
| 6.1.1 烟叶NIR数据对烟叶年份判别结果 | 第94-96页 |
| 6.1.2 烟叶EN数据对烟叶年份判别结果 | 第96-97页 |
| 6.1.3 烟叶NIR-EN融合数据对烟叶年份判别结果 | 第97-99页 |
| 6.1.4 烟叶NIR-EN融合数据、NIR和EN数据的烟叶年份判别模型比较 | 第99页 |
| 6.2 烟叶NIR-EN融合数据对烟叶中K含量的定量预报 | 第99-106页 |
| 6.2.1 烟叶NIR数据建立的K含量定量模型结果 | 第100-102页 |
| 6.2.2 烟叶EN数据建立的K含量定量模型结果 | 第102-104页 |
| 6.2.3 烟叶NIR-EN融合数据建立的K含量定量模型结果 | 第104-106页 |
| 6.2.4 烟叶NIR-EN融合数据、NIR和EN数据的K含量定量模型比较 | 第106页 |
| 6.3 小结 | 第106-108页 |
| 第七章 结论和展望 | 第108-109页 |
| 7.1 全文总结 | 第108页 |
| 7.2 展望 | 第108-109页 |
| 参考文献 | 第109-117页 |
| 攻读博士学位其间公开发表的论文 | 第117-118页 |
| 致谢 | 第118-119页 |
| 附录A | 第119-138页 |
| 附录B | 第138-153页 |
| 附录C | 第153-158页 |
