基于蚁群算法的光谱波长选择的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·近红外光谱分析技术的原理 | 第10页 |
| ·近红外光谱波长选择的必要性 | 第10-11页 |
| ·近红外光谱定量分析步骤 | 第11页 |
| ·国内外研究现状 | 第11-13页 |
| ·波长选择研究现状 | 第11-12页 |
| ·蚁群算法研究现状 | 第12-13页 |
| ·课题研究内容及文章组织结构 | 第13-15页 |
| ·主要研究内容 | 第13-14页 |
| ·本文组织结构 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 2 基本蚁群算法 | 第16-26页 |
| ·蚁群算法概述 | 第16-22页 |
| ·蚁群优化原理 | 第16-20页 |
| ·蚁群算法的基本模型 | 第20-22页 |
| ·蚂蚁系统的实现过程 | 第22-23页 |
| ·蚂蚁系统的实现步骤 | 第22页 |
| ·蚂蚁系统的流程图 | 第22-23页 |
| ·蚁群算法的特点 | 第23-25页 |
| ·人工蚂蚁与真实蚂蚁的异同 | 第23-24页 |
| ·蚁群算法的优缺点 | 第24-25页 |
| ·蚁群算法的应用 | 第25页 |
| ·本章小结 | 第25-26页 |
| 3 蚁群算法的性能研究 | 第26-46页 |
| ·蚂蚁系统中参数对算法性能的影响 | 第26-42页 |
| ·启发式因子α对算法性能的影响 | 第27-30页 |
| ·启发式因子β对算法性能的影响 | 第30-34页 |
| ·启发式因子α和β的组合对算法性能的影响 | 第34-35页 |
| ·信息素残留系数ρ对算法性能的影响 | 第35-38页 |
| ·蚂蚁的个数m对算法性能的影响 | 第38-40页 |
| ·信息素总量Q对算法性能的影响 | 第40-42页 |
| ·改进的蚁群算法 | 第42-45页 |
| ·带精英策略的蚂蚁系统 | 第42页 |
| ·蚁群系统 | 第42-43页 |
| ·最大-最小蚂蚁系统 | 第43-44页 |
| ·三种改进算法的性能对比 | 第44页 |
| ·自适应的改进算法 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 4 近红外光谱定量分析技术 | 第46-54页 |
| ·近红外光谱定量分析在肉类领域的研究 | 第46-47页 |
| ·近红外光谱定量分析在肉类领域的研究意义 | 第46-47页 |
| ·近红外光谱定量分析的优点 | 第47页 |
| ·近红外光谱分析技术 | 第47-49页 |
| ·近红外光谱定量分析的过程 | 第47-48页 |
| ·近红外光谱数据的采集 | 第48页 |
| ·近红外光谱数据的划分 | 第48-49页 |
| ·偏最小二乘法 | 第49-52页 |
| ·偏最小二乘算法概述 | 第49-50页 |
| ·偏最小二乘法建模原理 | 第50页 |
| ·偏最小二乘法建模步骤 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 5 蚁群算法在近红外光谱波长选择中的实现 | 第54-73页 |
| ·遗传算法相关知识 | 第54-59页 |
| ·遗传算法 | 第54-55页 |
| ·遗传算法的实现步骤 | 第55-56页 |
| ·遗传算法的流程图 | 第56页 |
| ·遗传算法的优缺点 | 第56-57页 |
| ·遗传算法求解TSP问题 | 第57-58页 |
| ·基于TSP的遗传算法和蚁群算法的性能对比 | 第58-59页 |
| ·近红外光谱波长选择的具体实现 | 第59-63页 |
| ·蚁群算法在近红外光谱波长选择中的具体实现 | 第60-63页 |
| ·遗传算法在近红外光谱波长选择中的具体实现 | 第63页 |
| ·实验过程和结果分析 | 第63-72页 |
| ·算法中参数的设置 | 第63-65页 |
| ·实验结果及分析 | 第65-72页 |
| ·本章小结 | 第72-73页 |
| 6 结论 | 第73-76页 |
| ·总结 | 第73页 |
| ·展望 | 第73-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间发表的论文 | 第79-80页 |
| 致谢 | 第80-82页 |
