| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 模式识别的常用方法及应用 | 第9-19页 |
| 1.2.1 主成分分析(Principal component analysis,PCA) | 第9-10页 |
| 1.2.2 偏最小二乘法(Partial Least Squares,PLS) | 第10-11页 |
| 1.2.3 线性判别分析(Linear Discriminant Analysis,LDA) | 第11-13页 |
| 1.2.4 随机森林算法(Random forest,RF) | 第13-14页 |
| 1.2.5 人工神经网络(Artificial Neural Networks,ANN) | 第14-15页 |
| 1.2.6 支持向量机算法(Support Vector Machine,SVM) | 第15-16页 |
| 1.2.7 聚类算法 | 第16-19页 |
| 1.2.7.1 k-means聚类算法 | 第17页 |
| 1.2.7.2 层次聚类算法 | 第17-18页 |
| 1.2.7.3 自组织神经映射(Self-organizing Feature Map,SOM)聚类算法 | 第18页 |
| 1.2.7.4 模糊C均值(Fuzzy C-means,FCM)聚类算法 | 第18-19页 |
| 1.3 本文的主要研究内容和创新点 | 第19-20页 |
| 第二章 基于偏最小二乘法线性判别分析(PLS-LDA)建立的肺癌诊断模型 | 第20-34页 |
| 2.1 引言 | 第20-21页 |
| 2.2 实验部分 | 第21-24页 |
| 2.2.1 仪器试剂 | 第21页 |
| 2.2.2 实验组织样品的收集及制备 | 第21-22页 |
| 2.2.3 实验参数及条件 | 第22-23页 |
| 2.2.4 实验方法 | 第23页 |
| 2.2.5 数据处理 | 第23-24页 |
| 2.3 结果与讨论 | 第24-33页 |
| 2.3.1 实验条件优化 | 第24-26页 |
| 2.3.2 肺癌组织样品的一级质谱分析 | 第26-28页 |
| 2.3.3 偏最小二乘法线性判别分析(PLS-LDA) | 第28-33页 |
| 2.4 小结 | 第33-34页 |
| 第三章 基于随机森林算法(RF)建立的水质信息模型 | 第34-48页 |
| 3.1 引言 | 第34-35页 |
| 3.2 实验部分 | 第35-38页 |
| 3.2.1 仪器与试剂 | 第35页 |
| 3.2.2 样本的采集及制备 | 第35-36页 |
| 3.2.3 EESI工作原理及其实验参数 | 第36-37页 |
| 3.2.4 TOF-MS工作原理 | 第37-38页 |
| 3.2.5 数据处理 | 第38页 |
| 3.3 结果与讨论 | 第38-46页 |
| 3.3.1 水样的质谱分析 | 第38-43页 |
| 3.3.1.1 五类水质水样的EESI-TOF-MS一级扫描谱图 | 第38-42页 |
| 3.3.1.2 不同含量的重金属Cu离子水样的EESI-LTQ-MS一级扫描谱图 | 第42-43页 |
| 3.3.2 随机森林(RF)分析模型 | 第43-46页 |
| 3.3.2.1 EESI-TOF-MS实验下的五类水质水样的随机森林(RF)模式识别模型 | 第43-44页 |
| 3.3.2.2 EESI-LTQ-MS实验下的五类水质水样的随机森林(RF)模式识别模型 | 第44-45页 |
| 3.3.2.3 三类不同含量重金属Cu离子水样的随机森林(RF)模式识别模型 | 第45-46页 |
| 3.4 小结 | 第46-48页 |
| 第四章 基于偏最小二乘法(PLS)和随机森林算法(RF)建立的茶叶分类模型 | 第48-56页 |
| 4.1 引言 | 第48页 |
| 4.2 实验部分 | 第48-49页 |
| 4.2.1 仪器与试剂 | 第48-49页 |
| 4.2.2 实验条件及参数 | 第49页 |
| 4.2.3 数据处理 | 第49页 |
| 4.3 结果与讨论 | 第49-54页 |
| 4.3.1 茶叶品种的鉴别 | 第49-52页 |
| 4.3.1.1 基于偏最小二乘法(PLS)建立的茶叶品种模式识别模型 | 第50-51页 |
| 4.3.1.2 基于随机森林算法(RF)建立的茶叶品种模式识别模型 | 第51-52页 |
| 4.3.2 茶叶产地的鉴别 | 第52-54页 |
| 4.3.2.1 基于偏最小二乘法(PLS)建立的茶叶产地模式识别模型 | 第52-53页 |
| 4.3.2.2 基于随机森林算法(RF)建立的茶叶产地模式识别模型 | 第53-54页 |
| 4.4 小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-67页 |
| 附录 | 第67-68页 |
| 致谢 | 第68-69页 |
