| 致谢 | 第5-6页 |
| 摘要 | 第6-9页 |
| Abstract | 第9-12页 |
| 1 绪论 | 第22-50页 |
| 1.0 引言 | 第22-24页 |
| 1.1 近红外光谱分析技术 | 第24-28页 |
| 1.1.1 近红外光谱的定义 | 第24页 |
| 1.1.2 近红外光谱分析技术原理 | 第24-26页 |
| 1.1.3 近红外光谱分析技术发展历史回顾 | 第26-28页 |
| 1.2 近红外光谱分析技术的应用及研究现状 | 第28-31页 |
| 1.3 近红外光谱建模方法及研究现状 | 第31-45页 |
| 1.3.1 背景介绍 | 第31-32页 |
| 1.3.2 近红外光谱预处理方法 | 第32-34页 |
| 1.3.2.1 光谱数据归一化、去中心化、标准化 | 第32页 |
| 1.3.2.2 多元散射校正(MSC) | 第32-33页 |
| 1.3.2.3 标准正态变量变换(SNV) | 第33页 |
| 1.3.2.4 光谱数据平滑与求导 | 第33-34页 |
| 1.3.3 近红外光谱波长选择方法 | 第34页 |
| 1.3.4 异常样本识别与剔除 | 第34-35页 |
| 1.3.5 定性/定量模型建立 | 第35-44页 |
| 1.3.5.1 多元线性回归 | 第36页 |
| 1.3.5.2 主成分回归 | 第36-37页 |
| 1.3.5.3 偏最小二乘回归 | 第37-39页 |
| 1.3.5.4 人工神经网络 | 第39页 |
| 1.3.5.5 支持向量回归机和最小二乘-支持向量回归机 | 第39-41页 |
| 1.3.5.6 极限学习机 | 第41页 |
| 1.3.5.7 局部建模策略 | 第41-42页 |
| 1.3.5.8 模型集成方法 | 第42-44页 |
| 1.3.5.9 近红外光谱模式识别 | 第44页 |
| 1.3.6 模型转移 | 第44-45页 |
| 1.4 论文主要研究内容和创新点 | 第45-50页 |
| 2 近红外光谱定性分析技术研究 | 第50-64页 |
| 2.1 引言 | 第50-51页 |
| 2.2 洗衣粉品牌快速鉴别 | 第51-59页 |
| 2.2.1 样本制备 | 第51-52页 |
| 2.2.2 近红外光谱仪器和光谱采集 | 第52-53页 |
| 2.2.3 光谱数据处理和鉴别模型 | 第53-59页 |
| 2.3 聚丙烯酰胺类型快速鉴别 | 第59-62页 |
| 2.3.1 样本制备 | 第59页 |
| 2.3.2 近红外光谱仪器和光谱采集 | 第59-60页 |
| 2.3.3 光谱数据处理和鉴别模型 | 第60-62页 |
| 2.4 本章小结 | 第62-64页 |
| 3 新型局部建模算法研究及其在近红外光谱定量分析中的应用 | 第64-82页 |
| 3.1 引言 | 第64-65页 |
| 3.2 原理和算法 | 第65-72页 |
| 3.2.1 两种传统的局部建模算法 | 第65-66页 |
| 3.2.2 基于净信号的局部建模算法 | 第66-68页 |
| 3.2.3 谱回归和基于谱回归的局部建模算法 | 第68-70页 |
| 3.2.4 基于光谱信息散度的局部建模算法 | 第70-71页 |
| 3.2.5 局部模型参数优化 | 第71-72页 |
| 3.3 实验部分 | 第72页 |
| 3.3.1 样本数据集 | 第72页 |
| 3.3.2 模型性能评价指标 | 第72页 |
| 3.4 结果与讨论 | 第72-80页 |
| 3.4.1 模型参数选取 | 第72-75页 |
| 3.4.2 模型预测性能的对比 | 第75-80页 |
| 3.5 本章小结 | 第80-82页 |
| 4 基于变量投影重要性的改进叠加偏最小二乘回归算法及其应用研究 | 第82-102页 |
| 4.1 引言 | 第82-84页 |
| 4.2 理论与方法 | 第84-90页 |
| 4.2.1 偏最小二乘算法和变量投影重要性 | 第84-86页 |
| 4.2.2 叠加偏最小二乘 | 第86-88页 |
| 4.2.3 基于变量投影重要性的改进叠加偏最小二乘 | 第88-89页 |
| 4.2.4 模型参数优化 | 第89-90页 |
| 4.3 实验与数据集 | 第90-91页 |
| 4.3.1 数据集 | 第90页 |
| 4.3.2 模型计算与模型性能评价 | 第90-91页 |
| 4.4 结果与讨论 | 第91-100页 |
| 4.4.1 小麦近红外光谱数据集结果分析 | 第91-96页 |
| 4.4.2 杏仁软糖近红外光谱数据集结果分析 | 第96-100页 |
| 4.5 本章小结 | 第100-102页 |
| 5 改进极限学习机及其在近红外光谱定量分析中的应用 | 第102-112页 |
| 5.1 引言 | 第102-104页 |
| 5.2 原理与算法 | 第104-107页 |
| 5.2.1 极限学习机 | 第104页 |
| 5.2.2 基于变量投影重要性的改进叠加PLS算法 | 第104-106页 |
| 5.2.3 基于VIP-SPLS的改进ELM(iELM)算法 | 第106-107页 |
| 5.3 实验部分 | 第107页 |
| 5.3.1 数据集 | 第107页 |
| 5.3.2 模型性能评价 | 第107页 |
| 5.4 结果与讨论 | 第107-111页 |
| 5.5 本章小结 | 第111-112页 |
| 6 近红外光谱分析模型转移新方法及应用研究 | 第112-134页 |
| 6.1 引言 | 第112-114页 |
| 6.2 原理与方法 | 第114-119页 |
| 6.2.1 PLS-DS算法 | 第114-115页 |
| 6.2.2 PLS-SLRDS算法 | 第115-116页 |
| 6.2.3 VIP-SPLS算法 | 第116页 |
| 6.2.4 基于VIP-SPLS的VIP-SPLS-DS算法 | 第116-118页 |
| 6.2.5 基于VIP-SPLS的VIP-SPLS-SLRDS算法 | 第118-119页 |
| 6.3 实验与数据 | 第119页 |
| 6.3.1 数据集 | 第119页 |
| 6.3.2 算法性能评价 | 第119页 |
| 6.4 结果与讨论 | 第119-132页 |
| 6.4.1 主仪器与从仪器光谱差异性分析 | 第119-121页 |
| 6.4.2 玉米油份模型转移结果分析 | 第121-127页 |
| 6.4.3 玉米蛋白质模型转移结果分析 | 第127-132页 |
| 6.5 本章小结 | 第132-134页 |
| 7 新型建模方法在近红外光谱检测汽油辛烷值中的应用 | 第134-144页 |
| 7.1 引言 | 第134-135页 |
| 7.2 问题描述与方法概述 | 第135-136页 |
| 7.2.1 近红外光谱在线检测汽油辛烷值 | 第135-136页 |
| 7.2.2 近红外光谱建模方法概述 | 第136页 |
| 7.3 实验与数据 | 第136-137页 |
| 7.3.1 样本数据集 | 第136-137页 |
| 7.3.2 预测结果与模型性能评价 | 第137页 |
| 7.4 结果与讨论 | 第137-142页 |
| 7.5 本章小结 | 第142-144页 |
| 8 总结与展望 | 第144-148页 |
| 8.1 全文工作总结 | 第144-146页 |
| 8.2 未来研究方向展望 | 第146-148页 |
| 参考文献 | 第148-168页 |
| 攻读博士学位期间发表及录用的论文 | 第168-169页 |
| 攻读博士学位期间参与的科研项目 | 第169页 |
