| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-30页 |
| 1 引言 | 第12页 |
| 2 茶叶原料分级现状 | 第12-13页 |
| 3 内含成分与鲜叶原料质量 | 第13-15页 |
| ·水分与鲜叶原料质量 | 第13-14页 |
| ·含氮化合物与鲜叶原料质量 | 第14页 |
| ·糖类与鲜叶原料质量 | 第14-15页 |
| ·多酚类物质与鲜叶原料质量 | 第15页 |
| ·类脂类物质与鲜叶原料质量 | 第15页 |
| ·内含物成分的筛选 | 第15页 |
| 4 近红外光谱检测技术 | 第15-26页 |
| ·近红外光谱技术简介 | 第15-16页 |
| ·化学计量学 | 第16-22页 |
| ·近红外光谱技术应用现状 | 第22-26页 |
| 5 近红外光谱技术应用于茶鲜叶质量评价的可行性 | 第26-27页 |
| 6 本研究的目的和主要内容 | 第27-29页 |
| 7 本章小结 | 第29-30页 |
| 第二章 实验仪器和研究方法 | 第30-35页 |
| 1 实验仪器 | 第30-31页 |
| ·近红外光谱仪 | 第30-31页 |
| ·其他仪器设备 | 第31页 |
| 2 实验方法 | 第31-34页 |
| ·茶鲜叶样品近红外光谱采集 | 第31页 |
| ·茶鲜叶含水量测定 | 第31-32页 |
| ·茶鲜叶全氮量的测定 | 第32-33页 |
| ·茶鲜叶粗纤维量的测定 | 第33-34页 |
| 3 本章小结 | 第34-35页 |
| 第三章 含水量、全氮量、粗纤维量和质量系数与鲜叶质量的关系 | 第35-49页 |
| 1 含水量与鲜叶质量关系 | 第35-38页 |
| ·不同部位茶鲜叶样品 | 第35-36页 |
| ·不同拼配比例茶鲜叶样品 | 第36-38页 |
| 2 全氮量与鲜叶质量关系 | 第38-41页 |
| ·不同部位茶鲜叶样品 | 第38-40页 |
| ·不同拼配比例茶鲜叶样品 | 第40-41页 |
| 3 粗纤维量与鲜叶质量关系 | 第41-44页 |
| ·不同叶位茶鲜叶样品 | 第41-42页 |
| ·不同拼配比例茶鲜叶样品 | 第42-44页 |
| 4 含水量、全氮量和粗纤维量对鲜叶质量影响比较 | 第44页 |
| 5 质量系数与鲜叶质量关系 | 第44-48页 |
| ·质量系数计算公式 | 第44-45页 |
| ·茶鲜叶质量系数 | 第45-46页 |
| ·不同拼配比例茶鲜叶样品质量系数 | 第46-48页 |
| 6 本章小结 | 第48-49页 |
| 第四章 茶鲜叶近红外光谱定量分析模型的建立 | 第49-79页 |
| 1 引言 | 第49页 |
| 2 材料与方法 | 第49-50页 |
| ·茶鲜叶样品 | 第49页 |
| ·茶鲜叶近红外光谱采集 | 第49-50页 |
| ·光谱预处理和建模方法 | 第50页 |
| 3 含水量近红外定量分析模型的建立 | 第50-57页 |
| ·间隔区间偏最小二乘法（iPLS）模型 | 第50页 |
| ·偏最小二乘法（PLS）模型 | 第50-51页 |
| ·反向区间偏最小二乘法（biPLS）模型 | 第51-52页 |
| ·人工神经网络（biPLS）模型 | 第52页 |
| ·反向区间偏最小二乘法结合人工神经网络模型 | 第52-54页 |
| ·反向区间偏最小二乘法结合最小二乘支持向量机模型 | 第54-57页 |
| 4 全氮量近红外定量分析模型的建立 | 第57-64页 |
| ·间隔偏最小二乘法（iPLS）模型 | 第57页 |
| ·偏最小二乘法（PLS）模型 | 第57-58页 |
| ·反向区间偏最小二乘法（biPLS）模型 | 第58页 |
| ·人工神经网络（BP-ANN）模型 | 第58-59页 |
| ·反向区间偏最小二乘法结合人工神经网络模型 | 第59-61页 |
| ·反向区间偏最小二乘法结合最小二乘支持向量机模型 | 第61-64页 |
| 5 粗纤维量近红外定量分析模型的建立 | 第64-71页 |
| ·间隔偏最小二乘法（iPLS）模型 | 第64页 |
| ·偏最小二乘法（PLS）模型 | 第64-65页 |
| ·反向区间偏最小二乘法（biPLS）模型 | 第65-66页 |
| ·人工神经网络（BP-ANN）模型 | 第66页 |
| ·反向区间偏最小二乘法结合人工神经网络模型 | 第66-67页 |
| ·反向区间偏最小二乘法结合最小二乘支持向量机模型 | 第67-71页 |
| 6 质量系数近红外定量分析模型的建立 | 第71-78页 |
| ·间隔偏最小二乘法（iPLS）模型 | 第71页 |
| ·偏最小二乘法（PLS）模型 | 第71-72页 |
| ·反向区间偏最小二乘法（biPLS）模型 | 第72页 |
| ·人工神经网络（BP-ANN）模型 | 第72-73页 |
| ·反向区间偏最小二乘法结合人工神经网络模型 | 第73-74页 |
| ·反向区间偏最小二乘法结合最小二乘支持向量机模型 | 第74-78页 |
| 7 本章小结 | 第78-79页 |
| 第五章 茶鲜叶近红外光谱定性分析模型的建立 | 第79-88页 |
| 1 引言 | 第79-80页 |
| 2 鲜叶等级定性分析模型 | 第80-87页 |
| ·间隔偏最小二乘法（iPLS）模型 | 第80页 |
| ·偏最小二乘法（PLS）模型 | 第80页 |
| ·反向区间偏最小二乘法（biPLS）模型 | 第80-81页 |
| ·人工神经网络（BP-ANN）模型 | 第81-82页 |
| ·反向区间偏最小二乘法结合人工神经网络模型 | 第82-83页 |
| ·反向区间偏最小二乘法结合最小二乘支持向量机模型 | 第83-87页 |
| 3 本章小结 | 第87-88页 |
| 第六章 茶鲜叶质量分析仪的研制 | 第88-97页 |
| 1 引言 | 第88页 |
| 2 近红外光谱分析仪器介绍 | 第88-92页 |
| ·概述 | 第88页 |
| ·基本组成与结构 | 第88-89页 |
| ·主要类型 | 第89-92页 |
| ·国内近红外光谱仪市场 | 第92页 |
| 3 茶鲜叶质量近红外分析仪的研制 | 第92-96页 |
| ·光学设计方案 | 第93页 |
| ·光源 | 第93-94页 |
| ·波长选择装置 | 第94页 |
| ·检测器 | 第94页 |
| ·近红外光谱仪器的分析软件 | 第94-96页 |
| 4 本章小结 | 第96-97页 |
| 第七章 茶鲜叶产地的近红外光谱无损判别 | 第97-104页 |
| 1 引言 | 第97-98页 |
| 2 材料与方法 | 第98-99页 |
| ·茶鲜叶样品 | 第98页 |
| ·近红外光谱采集 | 第98-99页 |
| ·光谱预处理 | 第99页 |
| 3 结果与讨论 | 第99-102页 |
| ·基于 biPLS 算法的特征光谱筛选 | 第99-101页 |
| ·主成分分析 | 第101-102页 |
| ·BP 神经网络模型 | 第102页 |
| ·模型性能比较 | 第102页 |
| 4 本章小结 | 第102-104页 |
| 第八章 茶鲜叶水分、全氮和粗纤维快速测定近红外光谱法标准的研究 | 第104-112页 |
| 1 引言 | 第104页 |
| 2 标准制定 | 第104-111页 |
| 3 本章小结 | 第111-112页 |
| 第九章 结论与展望 | 第112-115页 |
| 1 主要研究结果 | 第112-113页 |
| 2 结束语 | 第113-115页 |
| 参考文献 | 第115-127页 |
| 致谢 | 第127-128页 |
| 作者简历 | 第128-129页 |