| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 拉曼光谱预处理方法研究进展 | 第11-12页 |
| 1.2.2 拉曼光谱在血液制品分析研究进展 | 第12-13页 |
| 1.2.3 深度学习研究进展 | 第13-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 小结 | 第18-20页 |
| 2 拉曼光谱分析原理及方法 | 第20-42页 |
| 2.1 拉曼光谱分析原理 | 第20-24页 |
| 2.2 拉曼光谱预处理方法 | 第24-30页 |
| 2.2.1 Savitzky-Golay去噪 | 第24-26页 |
| 2.2.2 加权最小二乘基线校正 | 第26-28页 |
| 2.2.3 稀疏波长选择 | 第28-30页 |
| 2.3 拉曼光谱定性校正模型 | 第30-36页 |
| 2.3.1 PCA-LDA | 第30-32页 |
| 2.3.2 PLS-DA | 第32-34页 |
| 2.3.3 SVM | 第34-36页 |
| 2.4 模型参数确定及性能度量 | 第36-41页 |
| 2.4.1 模型参数确定 | 第37-39页 |
| 2.4.2 性能度量指标 | 第39-41页 |
| 2.5 小结 | 第41-42页 |
| 3 基于卷积神经网络的拉曼光谱分析方法研究 | 第42-62页 |
| 3.1 引言 | 第42页 |
| 3.2 卷积神经网络基本原理 | 第42-44页 |
| 3.3 Raman-CNN | 第44-50页 |
| 3.3.1 Raman-CNN网络结构的雏形 | 第45-47页 |
| 3.3.2 Raman-CNN网络结构的形成 | 第47-50页 |
| 3.4 实验结果分析与讨论 | 第50-61页 |
| 3.4.1 血液样品 | 第50-51页 |
| 3.4.2 实验参数 | 第51-52页 |
| 3.4.3 结果对比 | 第52-53页 |
| 3.4.4 分析与讨论 | 第53-60页 |
| 3.4.5 CNN作为一种预处理器 | 第60-61页 |
| 3.5 小结 | 第61-62页 |
| 4 基于深度学习的稀疏波长选择方法研究 | 第62-78页 |
| 4.1 引言 | 第62页 |
| 4.2 Squeeze-and-Excitation网络 | 第62-64页 |
| 4.3 Raman-SENet | 第64-67页 |
| 4.3.1 Raman-SENet网络结构的形成 | 第65-66页 |
| 4.3.2 Raman-SENet的波长选择策略 | 第66-67页 |
| 4.4 实验结果分析与讨论 | 第67-76页 |
| 4.4.1 实验样本 | 第67-68页 |
| 4.4.2 实验参数 | 第68-69页 |
| 4.4.3 结果对比 | 第69-71页 |
| 4.4.4 分析与讨论 | 第71-75页 |
| 4.4.5 Raman-DANet | 第75-76页 |
| 4.5 小结 | 第76-78页 |
| 5 微型拉曼血液分析仪配套软件的开发与测试 | 第78-90页 |
| 5.1 引言 | 第78页 |
| 5.2 鉴别软件开发 | 第78-83页 |
| 5.2.1 需求分析 | 第79页 |
| 5.2.2 功能设计 | 第79-82页 |
| 5.2.3 界面设计 | 第82页 |
| 5.2.4 系统实现 | 第82-83页 |
| 5.3 鉴别软件测试 | 第83-89页 |
| 5.3.1 离线建模 | 第83-87页 |
| 5.3.2 在线测试 | 第87-89页 |
| 5.4 小结 | 第89-90页 |
| 6 总结与展望 | 第90-92页 |
| 6.1 总结 | 第90页 |
| 6.2 展望 | 第90-92页 |
| 致谢 | 第92-94页 |
| 参考文献 | 第94-100页 |
| 附录 | 第100页 |
| A.作者在攻读学位期间发表的学术论文 | 第100页 |
| B.作者在攻读硕士学位期间参与的科研项目 | 第100页 |