| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 电子鼻技术简介 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.4 论文的研究内容 | 第16-17页 |
| 1.5 论文安排 | 第17-18页 |
| 第二章 信号处理方法 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 数据预处理 | 第18-20页 |
| 2.3 模式识别算法 | 第20-27页 |
| 2.3.1 主成分分析(PCA) | 第20-23页 |
| 2.3.2 偏最小二乘算法(PLS) | 第23-25页 |
| 2.3.3 误差回传神经网络(BP) | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 平行因子算法简介 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 PARAFAC数学原理 | 第28-35页 |
| 3.2.1 PARAFAC分解唯一性 | 第31页 |
| 3.2.2 使用三线性交替最小二乘分解PARAFAC | 第31-33页 |
| 3.2.3 使用复平行因子算法分解PARAFAC | 第33-34页 |
| 3.2.4 核一致诊断法(CORCONDIA) | 第34-35页 |
| 3.3 PARAFAC2数学原理 | 第35页 |
| 3.4 交叉验证 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 甘草数据实验分析 | 第38-66页 |
| 4.1 引言 | 第38-39页 |
| 4.2 数据处理 | 第39-46页 |
| 4.2.1 数据模型 | 第39-41页 |
| 4.2.2 预处理结果 | 第41-46页 |
| 4.3 模型评价参数 | 第46-47页 |
| 4.4 建模结果比较 | 第47-65页 |
| 4.4.1 PARAFAC建模结果 | 第47-56页 |
| 4.4.2 PARAFAC2建模结果 | 第56-60页 |
| 4.4.3 PCA建模结果 | 第60-64页 |
| 4.4.4 结果对比 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 论文主要工作及创新点 | 第66-67页 |
| 5.2 研究展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录A | 第76-78页 |
| 附录B | 第78页 |