| 第一章 绪论 | 第10-21页 |
| 1.1 选题的背景及意义 | 第10-12页 |
| 1.2 近红外光谱的技术概况及其在药品分析中的应用 | 第12-16页 |
| 1.3 现代信息提取技术在近红外分析中的应用 | 第16-19页 |
| 1.4 本论文的工作 | 第19-21页 |
| 第二章 近红外光谱分析技术的原理 | 第21-31页 |
| 2.1 近红外光谱的产生机理 | 第21-25页 |
| 2.2 近红外光谱分析的理论依据 | 第25-28页 |
| 2.3 近红外分析的关键技术 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于小波分析的近红外光谱预处理方法的分析和研究 | 第31-68页 |
| 3.1 近红外光谱预处理方法的介绍 | 第32页 |
| 3.2 小波滤噪在近红外光谱信号预处理中的应用 | 第32-37页 |
| 3.2.1 小波变换的原理 | 第33-35页 |
| 3.2.2 小波多分辨率分析 | 第35-36页 |
| 3.2.3 小波变换和李氏(Lipschitz)指数的关系 | 第36-37页 |
| 3.3 小波阈值去噪的优化及仿真研究 | 第37-43页 |
| 3.3.1 小波阈值去噪的原理及实现方法 | 第37-38页 |
| 3.3.2 小波阈值去噪法的优化 | 第38-41页 |
| 3.3.3 优化的小波阈值滤噪法的计算机仿真研究 | 第41-43页 |
| 3.4 空域相关滤噪法的优化及仿真研究 | 第43-47页 |
| 3.4.1 空域相关滤噪法的原理 | 第43-45页 |
| 3.4.2 空域相关滤噪法的优化 | 第45-46页 |
| 3.4.3 优化的空域相关滤噪法的计算机仿真研究 | 第46-47页 |
| 3.5 VC 银翘片中二组分预测中应用不同小波滤噪法效果比较 | 第47-55页 |
| 3.5.1 VC 银翘片的红外谱图的获得 | 第48-49页 |
| 3.5.2 优化的小波阈值去噪法对红外谱图进行预处理 | 第49-54页 |
| 3.5.3 优化的空域相关法对红外谱图进行预处理 | 第54-55页 |
| 3.6 小波滤噪过程中的参数调节 | 第55-64页 |
| 3.6.1 不同小波阶次及分解次数对红外谱图滤噪效果的影响 | 第57-60页 |
| 3.6.2 采用不同小波基对红外谱图滤噪效果的影响 | 第60-64页 |
| 3.7 本章小结 | 第64-68页 |
| 第四章 利用偏最小二乘法对近红外光谱的信息提取的分析 | 第68-92页 |
| 4.1 偏最小二乘法 | 第69-78页 |
| 4.1.1 噪声过滤原理与PRESS 判拒 | 第69-72页 |
| 4.1.2 偏最小二乘法的分析原理 | 第72-73页 |
| 4.1.3 算法的实现 | 第73-77页 |
| 4.1.4 预处理 | 第77-78页 |
| 4.2 葡萄糖溶液的近红外光谱图及偏最小二乘法的定量分析 | 第78-82页 |
| 4.2.1 葡萄糖溶液的近红外谱图的获得 | 第78页 |
| 4.2.2 光谱区间的选择 | 第78-80页 |
| 4.2.3 偏最小二乘法的因子数确定及预处理 | 第80-82页 |
| 4.3 聚类分析_偏最小二乘法定量分析的研究和应用 | 第82-91页 |
| 4.3.1 模式识别的基本知识和聚类分析 | 第82-86页 |
| 4.3.2 样品浓度范围对预测效果的影响 | 第86-87页 |
| 4.3.3 采用聚类分析和偏最小二乘法预测芦丁片中芦丁成分 | 第87-90页 |
| 4.3.4 聚类分析_偏最小二乘法的分析结果 | 第90-91页 |
| 4.4 本章小结 | 第91-92页 |
| 第五章 利用神经网络对中药近红外光谱信息的提取和分析 | 第92-122页 |
| 5.1 神经网络原理 | 第93-104页 |
| 5.1.1 人工神经元概述 | 第93-95页 |
| 5.1.2 人工神经网络结构 | 第95-98页 |
| 5.1.3 多层前馈神经网络与误差逆向传播算法 | 第98-104页 |
| 5.2 利用BP 神经网络的光谱信息提取与定量分析的研究 | 第104-112页 |
| 5.2.1 近红外谱图的获得 | 第105页 |
| 5.2.2 BP 神经网络数学模型的建立 | 第105-106页 |
| 5.2.3 BP 神经网络输入点数的选择 | 第106-107页 |
| 5.2.4 BP 神经网络隐层神经元数的选择 | 第107-108页 |
| 5.2.5 BP 神经网络方均差目标对网络性能的影响 | 第108-112页 |
| 5.3 利用线性神经网络的光谱信息提取与定量分析的研究 | 第112-120页 |
| 5.3.1 近红外谱图的获得 | 第112-113页 |
| 5.3.2 线性神经网络数学模型的建立 | 第113-114页 |
| 5.3.3 线性神经网络输入点数的选择 | 第114页 |
| 5.3.4 线性神经网络隐层神经元数的选择 | 第114-116页 |
| 5.3.5 线性神经网络方均差目标对网络性能的影响 | 第116页 |
| 5.3.6 线性神经网络预测效果以及和其它方法的比较 | 第116-120页 |
| 5.4 本章小节 | 第120-122页 |
| 第六章 利用红外光谱对样品水分含量的预测和分析 | 第122-136页 |
| 6.1 红外水分测试系统的原理 | 第122-131页 |
| 6.1.1 红外水分测试系统的测量原理 | 第122-124页 |
| 6.1.2 红外水分测试系统的结构 | 第124-125页 |
| 6.1.3 红外水分测试系统的光路结构 | 第125-126页 |
| 6.1.4 信号的斩波调制 | 第126-127页 |
| 6.1.5 传感器和测量放大器的选择 | 第127-128页 |
| 6.1.6 红外水分测试系统的处理器和控温系统 | 第128-129页 |
| 6.1.7 红外水分测试系统的软件编程 | 第129-131页 |
| 6.2 应用相敏检测电路提高红外水分测试系统的测量精度 | 第131-135页 |
| 6.2.1 相敏检测电路的原理 | 第131-132页 |
| 6.2.2 相敏检测电路的设计 | 第132-133页 |
| 6.2.3 应用水分预测系统分析纸张水分 | 第133-135页 |
| 6.3 本章小节 | 第135-136页 |
| 第七章 论文总结与展望 | 第136-141页 |
| 7.1 本论文工作取得的成果 | 第136-139页 |
| 7.2 进一步研究工作的展望 | 第139-141页 |
| 参考文献 | 第141-150页 |
| 博士期间发表论文与参与课题 | 第150-151页 |
| 中文摘要 | 第151-156页 |
| 英文摘要 | 第156页 |
| 致谢 | 第162页 |
