微型光谱仪信号处理与分析系统的研究
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·微型化、集成化和智能化是光谱仪发展的重要方向 | 第10-11页 |
| ·微型光谱仪的研究概况 | 第11页 |
| ·微型光谱仪信号处理与分析技术的国内外研究现状 | 第11-16页 |
| ·国外研究现状 | 第11-14页 |
| ·国内研究现状 | 第14-16页 |
| ·研究微型光谱仪信号处理与分析技术的目的和意义 | 第16页 |
| ·本论文的主要研究内容 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 2 相关基础理论 | 第18-28页 |
| ·光谱仪的分类和基本结构 | 第18-19页 |
| ·测定分析的理论基础 | 第19页 |
| ·产生理论误差的主要来源 | 第19-20页 |
| ·测量条件的选择 | 第20-21页 |
| ·光谱信号的基本特点和去噪声处理 | 第21-22页 |
| ·均匀设计和交叉验证 | 第22-24页 |
| ·软件系统的基本模型框架 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 3 多组分分析和波长选择 | 第28-66页 |
| ·多组分分析问题的提出 | 第28-29页 |
| ·多组分分析的常用算法 | 第29-33页 |
| ·加和性定理的矩阵表示 | 第29页 |
| ·多元线性回归法 | 第29-30页 |
| ·卡尔曼滤波法 | 第30-31页 |
| ·k 矩阵法 | 第31页 |
| ·p 矩阵法 | 第31-32页 |
| ·主成分回归法 | 第32页 |
| ·偏最小二乘回归法 | 第32-33页 |
| ·神经网络法 | 第33页 |
| ·基于支持向量机的方法 | 第33-46页 |
| ·研究背景 | 第33-34页 |
| ·机器学习的基本概念 | 第34-36页 |
| ·统计学习理论 | 第36-39页 |
| ·支持向量机 | 第39-42页 |
| ·支持向量机在多组分分析中的应用 | 第42-44页 |
| ·实例分析 | 第44-46页 |
| ·波长选择的方法研究 | 第46-63页 |
| ·概述 | 第46-47页 |
| ·基于遗传算法的波长选择方法 | 第47-50页 |
| ·基于粒子群算法的波长选择方法 | 第50-53页 |
| ·实例分析 | 第53-63页 |
| ·本章小结 | 第63-66页 |
| 4 光谱识别技术的研究 | 第66-98页 |
| ·光谱识别技术的研究目的和内容 | 第66-67页 |
| ·常用的基本算法 | 第67-75页 |
| ·基本概述 | 第67-68页 |
| ·聚类分析法 | 第68-69页 |
| ·Fisher 线性判别分析法 | 第69页 |
| ·K 最近邻法 | 第69-70页 |
| ·决策树方法 | 第70-71页 |
| ·SIMCA 方法 | 第71-72页 |
| ·神经网络方法 | 第72-75页 |
| ·光谱识别系统的设计与分析 | 第75-95页 |
| ·光谱识别系统的设计要求 | 第75页 |
| ·光谱信号的归一化处理 | 第75-76页 |
| ·光谱信号的特征提取 | 第76-87页 |
| ·系统的设计与分析 | 第87-95页 |
| ·复杂光谱的成分识别 | 第95-96页 |
| ·本章小结 | 第96-98页 |
| 5 模型传递方法的研究 | 第98-106页 |
| ·概述 | 第98-99页 |
| ·基本算法 | 第99-101页 |
| ·斜率/偏差算法 | 第99-100页 |
| ·直接校正算法 | 第100页 |
| ·分段直接校正算法 | 第100页 |
| ·神经网络法和有限脉冲响应算法 | 第100-101页 |
| ·基于支持向量机的校正算法 | 第101-102页 |
| ·实例分析 | 第102-104页 |
| ·本章小结 | 第104-106页 |
| 6 结论 | 第106-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-114页 |
| 附录 | 第114-115页 |
| 独创性声明 | 第115页 |
| 学位论文版权使用授权书 | 第115页 |
