| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 第一章 文献综述 | 第14-23页 |
| ·苹果概述 | 第14页 |
| ·近红外光谱技术概述 | 第14-15页 |
| ·近红外光谱技术的原理 | 第14页 |
| ·近红外光谱技术分析及化学计量学 | 第14-15页 |
| ·近红外光谱技术在果品品质检测中的研究进展 | 第15-21页 |
| ·国内研究现状 | 第15-18页 |
| ·苹果 | 第15-16页 |
| ·梨 | 第16-17页 |
| ·桃和猕猴桃 | 第17-18页 |
| ·其它果品 | 第18页 |
| ·国外研究现状 | 第18-21页 |
| ·苹果 | 第18-19页 |
| ·梨 | 第19-20页 |
| ·杏和李 | 第20页 |
| ·其它水果 | 第20-21页 |
| ·研究目的、意义及内容 | 第21-23页 |
| ·研究目的及意义 | 第21-22页 |
| ·研究的内容 | 第22-23页 |
| 第二章 损伤苹果的近红外光谱无损鉴别 | 第23-35页 |
| ·材料与方法 | 第23-24页 |
| ·材料 | 第23页 |
| ·苹果损伤的方法 | 第23页 |
| ·光谱采集 | 第23-24页 |
| ·光谱及数据的处理 | 第24页 |
| ·结果与分析 | 第24-34页 |
| ·损伤苹果和完整苹果的近红外光谱图 | 第24页 |
| ·基于主成分分析的损伤苹果的鉴别 | 第24-32页 |
| ·主成分分析 | 第25页 |
| ·多层感知器神经网络 | 第25-27页 |
| ·径向基函数神经网络 | 第27-28页 |
| ·Fisher 判别 | 第28-30页 |
| ·BP 神经网络 | 第30-32页 |
| ·苹果有无损伤的偏最小二乘判别 | 第32-34页 |
| ·讨论 | 第34页 |
| ·小结 | 第34-35页 |
| 第三章 苹果糖酸品质的 FT-NIR 检测 | 第35-49页 |
| ·材料与方法 | 第35-36页 |
| ·材料 | 第35页 |
| ·光谱采集 | 第35页 |
| ·品质测定 | 第35-36页 |
| ·光谱预处理 | 第36页 |
| ·模型的校正与检验 | 第36页 |
| ·结果与分析 | 第36-48页 |
| ·样本真实值分布情况 | 第36页 |
| ·光谱特征分析 | 第36-37页 |
| ·苹果 SSC 的近红外模型 | 第37-40页 |
| ·光谱区间的选择和光谱预处理 | 第37页 |
| ·模型的建立与外部验证 | 第37-40页 |
| ·模型的比较 | 第40页 |
| ·苹果 TA 的近红外模型 | 第40-42页 |
| ·光谱区间的选择和光谱预处理 | 第40-41页 |
| ·模型的建立与外部验证 | 第41-42页 |
| ·模型的比较 | 第42页 |
| ·苹果 pH 值的近红外模型 | 第42-44页 |
| ·光谱区间的选择和光谱预处理 | 第42-43页 |
| ·模型的建立与外部验证 | 第43-44页 |
| ·模型的比较 | 第44页 |
| ·苹果固酸比近红外模型 | 第44-47页 |
| ·光谱区间的选择和光谱预处理 | 第45页 |
| ·模型的建立与外部验证 | 第45-46页 |
| ·模型的比较 | 第46-47页 |
| ·OPUS 5.5 软件定量 2 分析/文件列表（L）模块介绍 | 第47-48页 |
| ·讨论 | 第48页 |
| ·小结 | 第48-49页 |
| 第四章 苹果质地的近红外光谱无损检测 | 第49-69页 |
| ·材料与方法 | 第49-50页 |
| ·材料 | 第49页 |
| ·光谱采集 | 第49页 |
| ·质地测定 | 第49-50页 |
| ·光谱及数据的处理 | 第50页 |
| ·结果与分析 | 第50-68页 |
| ·硬度模型 | 第50-52页 |
| ·样本真实值的分布 | 第50页 |
| ·光谱区间的选择和光谱预处理 | 第50-51页 |
| ·模型的建立与外部验证 | 第51-52页 |
| ·脆度模型 | 第52-54页 |
| ·样本真实值的分布情况 | 第52页 |
| ·光谱区间的选择和光谱预处理 | 第52-53页 |
| ·模型的建立与外部验证 | 第53-54页 |
| ·粘着性模型 | 第54-56页 |
| ·光谱主成分的提取 | 第54页 |
| ·不同的光谱预处理对模型的影响 | 第54-55页 |
| ·BP 模型的建立 | 第55-56页 |
| ·BP 模型的外部验证 | 第56页 |
| ·咀嚼性模型 | 第56-59页 |
| ·不同的光谱预处理对模型的影响 | 第57页 |
| ·主成分数对模型的影响 | 第57页 |
| ·BP 模型的建立 | 第57-59页 |
| ·BP 模型的外部验证 | 第59页 |
| ·弹性模型 | 第59-62页 |
| ·不同的光谱预处理对模型的影响 | 第59-60页 |
| ·BP 模型的建立与优化 | 第60-61页 |
| ·BP 模型的外部验证 | 第61-62页 |
| ·凝聚性模型 | 第62-64页 |
| ·不同的光谱预处理对模型的影响 | 第62页 |
| ·主成分数对模型的影响 | 第62-63页 |
| ·BP 模型的建立与优化 | 第63-64页 |
| ·BP 模型的外部验证 | 第64页 |
| ·回复性模型 | 第64-67页 |
| ·光谱预处理对模型的影响 | 第64-65页 |
| ·主成分数对模型的影响 | 第65页 |
| ·BP 模型的建立与优化 | 第65-66页 |
| ·BP 模型的外部验证 | 第66-67页 |
| ·质地各参数间的相关性分析 | 第67-68页 |
| ·讨论 | 第68页 |
| ·小结 | 第68-69页 |
| 第五章 苹果品种的 FT-NIR 识别研究 | 第69-81页 |
| ·材料与方法 | 第69页 |
| ·试材 | 第69页 |
| ·光谱采集 | 第69页 |
| ·图谱及数据处理 | 第69页 |
| ·结果与分析 | 第69-79页 |
| ·苹果的近红外图谱分析 | 第69-70页 |
| ·主成分分析 | 第70页 |
| ·用 12000cm-1～4000cm-1波段内提取的主成分建立苹果品种的判别模型 | 第70-74页 |
| ·多层感知器神经网络 | 第70-71页 |
| ·径向基函数神经网络 | 第71-72页 |
| ·Fisher 判别 | 第72-74页 |
| ·MLP 神经网络、RBF 神经网络和 Fisher 判别建模效果比较 | 第74页 |
| ·用 8000 cm~(-1)～4500 cm~(-1)波段内提取的主成分建立苹果品种的判别模型 | 第74-78页 |
| ·多层感知器神经网络 | 第74-75页 |
| ·径向基函数神经网络 | 第75-76页 |
| ·Fisher 判别 | 第76-77页 |
| ·MLP 神经网络、RBF 神经网络和 Fisher 判别建模效果比较 | 第77-78页 |
| ·偏最小二乘判别 | 第78-79页 |
| ·讨论 | 第79页 |
| ·小结 | 第79-81页 |
| 第六章 结论与创新点 | 第81-84页 |
| ·结论 | 第81-82页 |
| ·创新点 | 第82-83页 |
| ·展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 缩略词 | 第90-91页 |
| 致谢 | 第91-92页 |
| 作者简介 | 第92页 |
