| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究目的和意义 | 第9-11页 |
| 1.2 国内外研究进展 | 第11-14页 |
| 1.2.1 葡萄果皮花色苷提取的研究进展 | 第11-12页 |
| 1.2.2 高光谱图像技术研究进展 | 第12-14页 |
| 1.3 研究内容与技术路线 | 第14-15页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 高光谱图像系统组成及数据处理方法 | 第17-28页 |
| 2.1 高光谱图像系统组成 | 第17-19页 |
| 2.1.1 光源系统 | 第17-18页 |
| 2.1.2 波长色散系统 | 第18-19页 |
| 2.1.3 面阵探测器 | 第19页 |
| 2.2 光谱数据预处理方法 | 第19-21页 |
| 2.2.1 数据规范化(Normalize) | 第19页 |
| 2.2.2 平滑 | 第19-20页 |
| 2.2.3 导数 | 第20页 |
| 2.2.4 多元散射校正(Multiplicative Scatter Correction，MSC) | 第20-21页 |
| 2.2.5 变量标准化(Standard Normalize Variate，SNV) | 第21页 |
| 2.3 光谱有效信息的提取方法 | 第21-23页 |
| 2.3.1 主成分分析(Principle Component Analysis，PCA) | 第22页 |
| 2.3.2 载荷系数法(x-Loading Weights，x-LW ) | 第22页 |
| 2.3.3 连续投影法(Successive Projection Algorithm，SPA) | 第22-23页 |
| 2.4 基于高光谱图像技术的建模方法 | 第23-27页 |
| 2.4.1 多元线性回归方法(Multiple Linear Regression, MLR) | 第23页 |
| 2.4.2 偏最小二乘法(Partial Least Squares, PLS) | 第23-25页 |
| 2.4.3 BP 神经网络(Back Propagation, BP) | 第25-26页 |
| 2.4.4 最小二乘-支持向量机(Least Squares-Support Vector Machine, LS-SVM) | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 葡萄果皮中花色苷提取和高光谱图像预处理 | 第28-38页 |
| 3.1 试验材料 | 第28页 |
| 3.2 酿酒葡萄高光谱图像的获取 | 第28-29页 |
| 3.2.1 高光谱图像采集系统 | 第28页 |
| 3.2.2 数据采集软件平台 | 第28页 |
| 3.2.3 高光谱图像的采集 | 第28-29页 |
| 3.3 化学方法提取葡萄果皮中的花色苷 | 第29-30页 |
| 3.3.1 化学分析仪器和试剂 | 第29-30页 |
| 3.3.2 葡萄果皮中花色苷的提取 | 第30页 |
| 3.3.3 总花色苷含量的测定结果 | 第30页 |
| 3.4 葡萄髙光谱图像的处理及波谱分析 | 第30-35页 |
| 3.4.1 高光谱图像处理软件介绍 | 第30-31页 |
| 3.4.2 葡萄高光谱图像的处理 | 第31-35页 |
| 3.5 光谱的提取及预处理 | 第35-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 酿酒葡萄果皮中花色苷含量预测建模及特征波长提取 | 第38-46页 |
| 4.1 预测模型的性能指标 | 第38-39页 |
| 4.2 预测模型的建立 | 第39-43页 |
| 4.2.1 偏最小二乘回归建模 | 第39-40页 |
| 4.2.2 BP 神经网络建模 | 第40-42页 |
| 4.2.3 支持向量回归建模 | 第42-43页 |
| 4.3 花色苷含量建模有效波长选择 | 第43-45页 |
| 4.3.1 光谱变量选择 | 第43-44页 |
| 4.3.2 结果验证与分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 主要结论 | 第46页 |
| 5.2 主要创新点与展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 作者简介 | 第53页 |
