| 摘要 | 第3-4页 |
| Abstract | 第4-8页 |
| 第一章绪论 | 第8-13页 |
| 1.1课题研究背景及意义 | 第8-9页 |
| 1.2国内外研究现状 | 第9-11页 |
| 1.2.1近红外光谱的建模研究现状 | 第9-10页 |
| 1.2.2深度学习在建模中的应用现状 | 第10-11页 |
| 1.3本文的研究内容与组织架构 | 第11-13页 |
| 第二章近红外光谱检测原理 | 第13-21页 |
| 2.1近红外光谱产生原理 | 第13-14页 |
| 2.2近红外光谱建模过程 | 第14-15页 |
| 2.3近红外光谱预处理方法 | 第15-16页 |
| 2.3.1平滑 | 第15-16页 |
| 2.3.2导数 | 第16页 |
| 2.3.3标准正态变换 | 第16页 |
| 2.3.4多元散射校正 | 第16页 |
| 2.4近红外光谱回归建模方法 | 第16-19页 |
| 2.4.1偏最小二乘法 | 第17页 |
| 2.4.2BP神经网络方法 | 第17-18页 |
| 2.4.3深度学习方法 | 第18-19页 |
| 2.5模型评价指标 | 第19页 |
| 2.6本章小结 | 第19-21页 |
| 第三章近红外光谱的深度信念网络建模 | 第21-33页 |
| 3.1引言 | 第21页 |
| 3.2问题描述 | 第21-22页 |
| 3.3基于深度信念网络的近红外光谱校正模型 | 第22-28页 |
| 3.3.1受限玻尔兹曼机 | 第22-24页 |
| 3.3.2深度信念网络 | 第24-26页 |
| 3.3.3深度信念网络近红外光谱校正模型 | 第26页 |
| 3.3.4深度信念网络与偏最小二乘的结合 | 第26-28页 |
| 3.4实例分析 | 第28-32页 |
| 3.4.1碎肉含水量检测实例 | 第28-30页 |
| 3.4.2柠檬酸小麦淀粉乳检测实例 | 第30-32页 |
| 3.5本章小结 | 第32-33页 |
| 第四章基于变量加权的深度信念网络近红外光谱建模 | 第33-41页 |
| 4.1引言 | 第33页 |
| 4.2问题描述 | 第33页 |
| 4.3近红外光谱的变量加权检深度信念网络模型 | 第33-38页 |
| 4.3.1变量加权受限玻尔兹曼机 | 第33-35页 |
| 4.3.2变量加权深度信念网络 | 第35-37页 |
| 4.3.3建立近红外光谱的变量加权深度信念网络模型 | 第37-38页 |
| 4.4实例分析 | 第38-40页 |
| 4.4.1柠檬酸小麦淀粉乳 | 第38页 |
| 4.4.2柠檬酸小麦淀粉乳检测 | 第38-40页 |
| 4.5本章小结 | 第40-41页 |
| 第五章基于即时学习的深度信念网络近红外光谱建模 | 第41-52页 |
| 5.1引言 | 第41页 |
| 5.2问题描述 | 第41-42页 |
| 5.3基于即时学习的深度信念网络建模 | 第42-45页 |
| 5.3.1即时学习基本原理 | 第42页 |
| 5.3.2即时学习建模 | 第42-43页 |
| 5.3.3影响即时学习建模的因素 | 第43-45页 |
| 5.4基于互信息的即时学习近红外光谱模型 | 第45-48页 |
| 5.4.1互信息 | 第45-47页 |
| 5.4.2基于互信息的即时学习建模 | 第47-48页 |
| 5.5实例分析 | 第48-51页 |
| 5.6本章小结 | 第51-52页 |
| 第六章总结与展望 | 第52-54页 |
| 6.1全文总结 | 第52-53页 |
| 6.2研究展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第59页 |