面向近红外光谱药品鉴别的高效机器学习算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| §1.1 研究背景及来源 | 第8-10页 |
| §1.1.1 NIRS药品鉴别应用背景 | 第8-9页 |
| §1.1.2 药品NIRS样本来源 | 第9-10页 |
| §1.2 研究意义及发展现状 | 第10-13页 |
| §1.2.1 该课题研究意义 | 第10-11页 |
| §1.2.2 国内外研究现状及发展动态 | 第11-13页 |
| §1.3 论文的相关工作及组织结构 | 第13-15页 |
| §1.3.1 论文相关工作 | 第13-14页 |
| §1.3.2 论文组织结构 | 第14-15页 |
| 第二章 布谷鸟优化尺度化凸壳分类模型 | 第15-32页 |
| §2.1 尺度化凸壳最大间隔分类模型 | 第15-19页 |
| §2.1.1 SCH分类模型 | 第15-17页 |
| §2.1.2 SCH相关问题描述 | 第17-19页 |
| §2.2 布谷鸟优化尺度化凸壳分类模型 | 第19-22页 |
| §2.2.1 布谷鸟参数优化方法 | 第19-21页 |
| §2.2.1.1 适应度函数（目标函数） | 第19-21页 |
| §2.2.1.2 CS参数寻优的算法实现 | 第21页 |
| §2.2.2 SCH(CS)分类模型 | 第21-22页 |
| §2.3 NIRS药品鉴别的实验及分析 | 第22-29页 |
| §2.3.1 实验配置及参数设定 | 第22-25页 |
| §2.3.2 非线性分类问题的实验及分析 | 第25-26页 |
| §2.3.3 类不平衡问题的实验及分析 | 第26-29页 |
| §2.4 代价敏感尺度化凸壳分类模型 | 第29-31页 |
| §2.4.1 代价敏感问题描述 | 第29-30页 |
| §2.4.2 代价敏感问题的实验及分析 | 第30-31页 |
| §2.5 本章小结 | 第31-32页 |
| 第三章 波形叠加极限学习分类模型 | 第32-43页 |
| §3.1 极限学习机分类模型 | 第32-34页 |
| §3.1.1 SLFN模型 | 第32-34页 |
| §3.1.2 随机特征映射函数 | 第34页 |
| §3.2 波形叠加极限学习分类模型 | 第34-38页 |
| §3.2.1 SW特征映射函数 | 第34-36页 |
| §3.2.2 SWELM(CS)分类模型 | 第36-38页 |
| §3.3 NIRS药品鉴别的实验及分析 | 第38-42页 |
| §3.3.1 实验配置及数据预处理 | 第38-39页 |
| §3.3.2 特征映射函数对分类模型的影响 | 第39-40页 |
| §3.3.3 NIRS药品鉴别的实验及分析 | 第40-42页 |
| §3.4 本章小结 | 第42-43页 |
| 第四章 Gabor滤波优化的协同表示分类模型 | 第43-54页 |
| §4.1 稀疏表示分类模型 | 第43-46页 |
| §4.1.1 SRC分类模型 | 第43-45页 |
| §4.1.2 CRC_RLS分类模型 | 第45-46页 |
| §4.2 Gabor滤波优化的协同表示分类模型 | 第46-48页 |
| §4.2.1 多通道软间隔Gabor特征提取 | 第46-47页 |
| §4.2.2 KNN局部分类调整 | 第47页 |
| §4.2.3 CRC_GRLS分类模型 | 第47-48页 |
| §4.3 NIRS药品鉴别的实验及分析 | 第48-52页 |
| §4.3.1 实验配置及参数设定 | 第48-49页 |
| §4.3.2 特征提取方法对分类模型的影响 | 第49-51页 |
| §4.3.3 NIRS药品鉴别的实验及分析 | 第51-52页 |
| §4.4 本章小结 | 第52-54页 |
| 第五章 GUI人机界面设计 | 第54-59页 |
| §5.1NIRS药品鉴别各功能模块实现 | 第54-58页 |
| §5.1.1 人机界面设计基本模块展示 | 第54-57页 |
| §5.1.2 NIRS药品鉴别模块展示 | 第57-58页 |
| §5.2 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| §6.1 全文总结 | 第59-60页 |
| §6.2 今后工作展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 作者在攻读硕士期间的主要研究成果 | 第67页 |
