| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 前言 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-13页 |
| 1.1.1 玉米品种真实性鉴别问题及研究意义 | 第10-11页 |
| 1.1.2 近红外光谱分析技术及其在农产品中的应用 | 第11-12页 |
| 1.1.3 基于嵌入式实现的现实意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 近红外光谱分析技术的发展及现状 | 第13-14页 |
| 1.2.2 近红外光谱分析技术在农作物定性分析中的应用研究现状 | 第14-16页 |
| 1.3 课题主要研究内容及技术难点 | 第16-18页 |
| 1.3.1 课题主要研究内容 | 第16页 |
| 1.3.2 主要技术难点和创新点 | 第16-18页 |
| 第2章 近红外光谱定性分析技术与仿生模式识别 | 第18-36页 |
| 2.1 近红外光谱的特点 | 第18-20页 |
| 2.2 光谱预处理方法概述 | 第20-22页 |
| 2.2.1 数据归一化处理 | 第20-21页 |
| 2.2.2 导数处理 | 第21页 |
| 2.2.3 平滑处理 | 第21-22页 |
| 2.2.4 中心化及标准化处理 | 第22页 |
| 2.3 特征提取与选择 | 第22-27页 |
| 2.3.1 主成分分析 | 第22-24页 |
| 2.3.2 基于偏最小二乘特征提取算法 | 第24-26页 |
| 2.3.3 线性鉴别分析 | 第26-27页 |
| 2.4 常用模式分类算法 | 第27-29页 |
| 2.4.1 最小距离分类 | 第27-28页 |
| 2.4.2 最近邻分类 | 第28页 |
| 2.4.3 径向基神经网络 | 第28-29页 |
| 2.5 仿生模式识别及超香肠神经元硬件实现 | 第29-35页 |
| 2.5.1 仿生模式识别原理 | 第29-30页 |
| 2.5.2 超香肠神经基元 | 第30-31页 |
| 2.5.3 仿生模式识别实现 | 第31-32页 |
| 2.5.4 超香肠神经元硬件实现 | 第32-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 玉米品种近红外光谱鉴别及参数漂移问题 | 第36-58页 |
| 3.1 光谱采集 | 第36-37页 |
| 3.2 玉米种子近红外光谱偏移问题分析 | 第37-39页 |
| 3.3 DS 算法 | 第39-47页 |
| 3.3.1 算法原理 | 第40页 |
| 3.3.2 算法流程及步骤 | 第40-41页 |
| 3.3.3 校正集的选择 | 第41-42页 |
| 3.3.4 实验方法 | 第42-43页 |
| 3.3.5 实验对比分析 | 第43-46页 |
| 3.3.6 实验结果与分析 | 第46-47页 |
| 3.4 有监督特征提取的联合建模 | 第47-56页 |
| 3.4.1 特征提取方法 | 第47-48页 |
| 3.4.2 包容性的建模集 | 第48-49页 |
| 3.4.3 实验方法 | 第49-51页 |
| 3.4.4 实验结果与分析 | 第51-56页 |
| 3.5 结论 | 第56-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 基于近红外光谱部分波段的玉米品种鉴别研究 | 第58-70页 |
| 4.1 实验方法及分析 | 第58-63页 |
| 4.1.1 实验数据 | 第58-59页 |
| 4.1.2 数据预处理 | 第59页 |
| 4.1.3 偏最小二乘回归预测 | 第59-60页 |
| 4.1.4 PCA+LDA+MDC | 第60-61页 |
| 4.1.5 PLS+LDA+MDC | 第61-62页 |
| 4.1.6 PCA+LDA+BPR | 第62-63页 |
| 4.1.7 结果分析 | 第63页 |
| 4.2 短波段识别效果考察 | 第63-65页 |
| 4.2.1 截止波长选取 | 第63-64页 |
| 4.2.2 实验及结果分析 | 第64-65页 |
| 4.2.3 实验结论 | 第65页 |
| 4.3 不同波段识别效果考察 | 第65-68页 |
| 4.3.1 实验设计 | 第66页 |
| 4.3.2 实验结果与分析 | 第66-68页 |
| 4.4 最终鉴别方法总结 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的学术成果 | 第76-77页 |
| 致谢 | 第77页 |