| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 选题背景及研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 生鲜食品货架期的预测方法研究现状 | 第14-16页 |
| 1.2.2 南美白对虾货架期的预测方法研究现状 | 第16-17页 |
| 1.3 论文研究目标及内容 | 第17-18页 |
| 1.4 论文章节内容 | 第18-19页 |
| 第二章 生鲜食品货架期的预测方法综述 | 第19-28页 |
| 2.1 基于动力学模型的货架期预测的方法 | 第19-20页 |
| 2.1.1 化学动力学 | 第19-20页 |
| 2.1.2 微生物动力学 | 第20页 |
| 2.2 基于统计学的货架期预测的方法 | 第20-21页 |
| 2.3 基于人工智能的货架期预测的方法 | 第21-25页 |
| 2.3.1 BP神经网络方法 | 第21-23页 |
| 2.3.2 支持向量回归机 | 第23-25页 |
| 2.4 生鲜食品货架期预测建模方法的比较 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于人工智能的南美白对虾货架期预测模型 | 第28-37页 |
| 3.1 预测前的准备 | 第28-30页 |
| 3.2 南美白对虾货架期BP网络预测模型 | 第30-34页 |
| 3.2.1 网络结构的选择 | 第30-31页 |
| 3.2.2 输入和输出层参数以及隐含层节点数的确定 | 第31页 |
| 3.2.3 网络训练 | 第31-32页 |
| 3.2.4 预测结果分析 | 第32-34页 |
| 3.3 南美白对虾货架期SVR预测模型 | 第34-36页 |
| 3.3.1 输入和输出参数的确定及归一化处理 | 第34页 |
| 3.3.2 确定模型核函数及最优参数 | 第34页 |
| 3.3.3 训练模型及预测 | 第34-36页 |
| 3.4 两种人工智能的南美白对虾货架期预测模型比较 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于GRA的南美白对虾货架期SVR预测模型 | 第37-49页 |
| 4.1 关联分析方法 | 第37-38页 |
| 4.2 应用GRA方法优化预测指标 | 第38-40页 |
| 4.3 基于GRA的南美白对虾货架期SVR预测模型 | 第40-43页 |
| 4.3.1 输入和输出参数的确定 | 第40-41页 |
| 4.3.2 确定模型核函数及最优参数 | 第41-42页 |
| 4.3.3 训练模型及预测 | 第42-43页 |
| 4.4 同等条件下采用其他方法构建南美白对虾货架期预测模型 | 第43-47页 |
| 4.4.1 基于全部指标的南美白对虾货架期SVR预测模型 | 第43-45页 |
| 4.4.2 基于动力学模型的南美白对虾货架期预测模型 | 第45-47页 |
| 4.5 三种模型的预测结果比较 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 南美白对虾剩余货架期在线预测系统 | 第49-59页 |
| 5.1 需求背景 | 第49页 |
| 5.2 系统设计 | 第49-52页 |
| 5.2.1 系统逻辑架构设计 | 第49-50页 |
| 5.2.2 系统功能设计 | 第50-52页 |
| 5.3 核心功能实现 | 第52-58页 |
| 5.3.1 指标数据管理 | 第52-54页 |
| 5.3.2 预测模型训练 | 第54-55页 |
| 5.3.3 货架期在线预测 | 第55-57页 |
| 5.3.4 数据分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 攻读硕士学位期间的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
