基于NIR光谱分析的柑橘产地鉴别及品质检测技术研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于近红外光谱分析的产地鉴别研究现状 | 第12-13页 |
| 1.2.2 基于近红外光谱分析的品质检测研究现状 | 第13-15页 |
| 1.3 近红外光谱分析技术原理与基本方法 | 第15-17页 |
| 1.4 本文的研究内容及贡献 | 第17-18页 |
| 1.5 本文结构安排 | 第18-21页 |
| 2 实验材料与方法 | 第21-25页 |
| 2.1 样本采集地点 | 第21-22页 |
| 2.2 柑橘近红外光谱数据采集 | 第22-23页 |
| 2.3 柑橘内部品质测定 | 第23-25页 |
| 3 基于机器学习的NIR光谱产地鉴别框架 | 第25-45页 |
| 3.1 引言 | 第25页 |
| 3.2 基于机器学习的NIR光谱产地鉴别框架 | 第25-35页 |
| 3.2.1 光谱去噪 | 第26-27页 |
| 3.2.2 基于主成分分析的特征抽取 | 第27-29页 |
| 3.2.3 基于信息熵的特征选择 | 第29-31页 |
| 3.2.4 鉴别分类器 | 第31-34页 |
| 3.2.5 分类器交叉验证与性能评价 | 第34-35页 |
| 3.3 实验结果及分析 | 第35-44页 |
| 3.3.1 原始光谱及预处理结果 | 第36-37页 |
| 3.3.2 特征抽取结果 | 第37-40页 |
| 3.3.3 特征选择及分类器性能结果 | 第40-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于SVM和GA-SVM的产地鉴别 | 第45-63页 |
| 4.1 SVM分类模型 | 第45-49页 |
| 4.1.1 SVM理论基础 | 第45-49页 |
| 4.1.2 SVM核函数 | 第49页 |
| 4.2 SVM模型实验结果及讨论 | 第49-52页 |
| 4.2.1 SVM核函数选择 | 第49-50页 |
| 4.2.2 SVM参数设定 | 第50-51页 |
| 4.2.3 SVM实验结果 | 第51-52页 |
| 4.3 基于GA-SVM的产地鉴别方法 | 第52-62页 |
| 4.3.1 GA-SVM | 第53-56页 |
| 4.3.2 GA-SVM参数设置与讨论 | 第56-59页 |
| 4.3.3 GA-SVM实验结果 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 基于L_1范数线性回归的产地鉴别 | 第63-71页 |
| 5.1 基于稀疏表示的特征选择和正则化学习方法 | 第63-64页 |
| 5.2 基于L_1范数的线性回归产地鉴别模型 | 第64-67页 |
| 5.2.1 L_1-LRC产地鉴别算法 | 第64-66页 |
| 5.2.2 L_1-LRC产地鉴别模型求解 | 第66-67页 |
| 5.3 实验结果和分析 | 第67-69页 |
| 5.4 本章小结 | 第69-71页 |
| 6 基于回归模型的NIR光谱内部品质鉴定 | 第71-85页 |
| 6.1 现有的NIR光谱果品品质回归模型 | 第71-74页 |
| 6.1.1 基于PLS的果品品质鉴定模型 | 第71-73页 |
| 6.1.2 基于LS-SVM的果品品质鉴定模型 | 第73-74页 |
| 6.2 基于最小角度回归(LAR)的果品品质鉴定 | 第74-77页 |
| 6.2.1 向前逐步回归和逐渐回归 | 第74-75页 |
| 6.2.2 最小角度回归（LAR） | 第75-77页 |
| 6.3 实验及讨论 | 第77-83页 |
| 6.3.1 实验数据集及评价指标 | 第77-78页 |
| 6.3.2 实验结果与分析 | 第78-83页 |
| 6.4 本章小结 | 第83-85页 |
| 7 总结与展望 | 第85-87页 |
| 7.1 研究工作总结 | 第85-86页 |
| 7.2 研究展望 | 第86-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-97页 |
| 附录 | 第97页 |
| A．攻读博士期间发表的论文 | 第97页 |
| B．攻读博士期间参与的项目 | 第97页 |
