| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 天麻的概况 | 第12-13页 |
| 1.2 指纹图谱技术 | 第13-14页 |
| 1.2.1 高效液相色谱(HPLC)指纹图谱技术 | 第13页 |
| 1.2.2 现代近红外光谱(NIRS)指纹图谱技术 | 第13-14页 |
| 1.3 模式识别方法 | 第14-17页 |
| 1.3.1 主成分分析(PCA) | 第15页 |
| 1.3.2 偏最小二乘判别分析(PLS-DA) | 第15-16页 |
| 1.3.3 分类树(CT) | 第16-17页 |
| 1.4 粒子群优化算法(PSO) | 第17页 |
| 1.5 组合学习 | 第17-21页 |
| 1.5.1 组合学习的概念 | 第17-19页 |
| 1.5.2 Boosting算法 | 第19-20页 |
| 1.5.3 选择性组合学习 | 第20-21页 |
| 1.6 本论文的立题思想和主要研究内容 | 第21-22页 |
| 参考文献 | 第22-26页 |
| 第二章 高效液相色谱结合推进偏最小二乘判别分析法用于天麻产地识别研究 | 第26-38页 |
| 2.1 前言 | 第26-27页 |
| 2.2 理论 | 第27-29页 |
| 2.2.1 推进偏最小二乘判别分析(BPLS-DA) | 第27-29页 |
| 2.3 实验 | 第29-30页 |
| 2.3.1 样品溶液准备 | 第29页 |
| 2.3.2 采集液相色谱数据 | 第29-30页 |
| 2.3.3 数据前处理 | 第30页 |
| 2.3.4 数据分析 | 第30页 |
| 2.4 结果与讨论 | 第30-35页 |
| 2.5 结论 | 第35-36页 |
| 参考文献 | 第36-38页 |
| 第三章 基于粒子群优化的选择性推进分类树算法结合近红外光谱用于天麻产地识别研究 | 第38-54页 |
| 3.1 前言 | 第38-40页 |
| 3.2 理论 | 第40-45页 |
| 3.2.1 分类树 | 第40-41页 |
| 3.2.2 粒子群优化算法(PSO) | 第41页 |
| 3.2.3 基于离散二进制PSO算法的分类树的优选组合 | 第41-43页 |
| 3.2.4 目标函数的选取 | 第43-45页 |
| 3.3 实验 | 第45-46页 |
| 3.3.1 实验材料准备 | 第45页 |
| 3.3.2 采集近红外光谱数据 | 第45-46页 |
| 3.4 结果与讨论 | 第46-51页 |
| 3.4.1 近红外光谱特征 | 第46-51页 |
| 3.5 小结 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 第四章 总结 | 第54-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |
