| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-24页 |
| ·课题背景 | 第14页 |
| ·课题的研究目的和意义 | 第14-15页 |
| ·中药提取的发展状况 | 第15-17页 |
| ·传统中药提取 | 第15页 |
| ·国内外现代技术 | 第15-17页 |
| ·软测量建模方法 | 第17-20页 |
| ·基于传统方法的软测量模型 | 第18-19页 |
| ·基于回归分析的软测量模型 | 第19页 |
| ·基于智能方法软测量建模 | 第19-20页 |
| ·支持向量机特点及研究概况 | 第20-21页 |
| ·支持向量机特点 | 第20-21页 |
| ·支持向量机国内外研究现状 | 第21页 |
| ·支持向量机硬件实现国内外研究概况 | 第21页 |
| ·本课题研究的主要内容及创新点 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第二章 超声波萃取实验及数据测取 | 第24-34页 |
| ·实验目的 | 第24页 |
| ·实验方案 | 第24-26页 |
| ·超声波提取基本原理 | 第24-25页 |
| ·影响超声波提取率的因素 | 第25页 |
| ·本实验采用方案 | 第25-26页 |
| ·实验设备 | 第26-28页 |
| ·实验数据的获取 | 第28-31页 |
| ·加入破碎超声波后提取效果对照 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于智能方法软测量数学模型的建立 | 第34-56页 |
| ·BP(Back-propagation network)神经网络 | 第34-36页 |
| ·支持向量机原理 | 第36-44页 |
| ·统计学习理论 | 第36-37页 |
| ·支持向量机 | 第37-40页 |
| ·最小二乘支持向量机(LS-SVM) | 第40-41页 |
| ·核函数 | 第41-42页 |
| ·参数的调节 | 第42-44页 |
| ·基于BP神经网络的软测量建模 | 第44-46页 |
| ·数据预处理 | 第44页 |
| ·辅助变量的选择 | 第44页 |
| ·BP神经网络软测量建模 | 第44-46页 |
| ·基于SVM方法的软测量建模 | 第46-52页 |
| ·标准SVM软测量建模 | 第47-50页 |
| ·LS-SVM软测量建模 | 第50-52页 |
| ·实验结果分析 | 第52-54页 |
| ·各种模型的比较 | 第52-53页 |
| ·温度和时间对提取率的影响 | 第53-54页 |
| ·支持向量机硬件模型及关键参数的提取 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第四章 软测量系统的硬件实现 | 第56-70页 |
| ·软测量系统的模块设计 | 第56页 |
| ·硬件电路设计 | 第56-64页 |
| ·温度传感器LM35D | 第56-58页 |
| ·集成运算放大器NE5532 | 第58-59页 |
| ·A/D转换芯片ADC0804 | 第59-61页 |
| ·单片机AT89S52 | 第61-63页 |
| ·4位7断码数字显示 | 第63-64页 |
| ·系统除噪方案 | 第64-66页 |
| ·系统噪声分析 | 第64-65页 |
| ·FIR滤波消除高频噪声 | 第65-66页 |
| ·中值滤波消除突变噪声 | 第66页 |
| ·系统实现 | 第66-68页 |
| ·KEIL软件编程 | 第67页 |
| ·硬件电路实现 | 第67-68页 |
| ·硬件系统性能测试 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 结论与展望 | 第70-72页 |
| ·结论 | 第70页 |
| ·展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 研究成果及发表的学术论文 | 第78-80页 |
| 作者简介 | 第80-82页 |
| 硕士研究生学位论文答辩委员会决议书 | 第82-83页 |