| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 光吸收分析方法的原理 | 第13-14页 |
| 1.3 连续光谱的分析方法以及研究进展 | 第14-18页 |
| 1.3.1 数据预处理方法 | 第14-15页 |
| 1.3.2 多元校正模型建模方法 | 第15-17页 |
| 1.3.3 多元校正模型的迁移 | 第17-18页 |
| 1.4 多任务学习 | 第18-19页 |
| 1.5 论文的研究内容 | 第19-22页 |
| 第2章 基于支持向量机与迁移学习的光谱模型迁移方法 | 第22-40页 |
| 2.1 引言 | 第22-23页 |
| 2.2 基于支持向量机的光谱迁移模型 | 第23-27页 |
| 2.3 基于支持向量机的光谱迁移方法的实验 | 第27-39页 |
| 2.3.1 实验数据和实验中比较的算法 | 第27-29页 |
| 2.3.2 实验结果 | 第29-39页 |
| 2.4 本章总结 | 第39-40页 |
| 第3章 贝叶斯的光谱模型迁移方法 | 第40-48页 |
| 3.1 引言 | 第40页 |
| 3.2 线性贝叶斯标定迁移模型 | 第40-42页 |
| 3.3 基于高斯过程的标定迁移模型 | 第42-45页 |
| 3.4 真实数据集上的实验 | 第45-47页 |
| 3.5 总结 | 第47-48页 |
| 第4章 基于迹范数正则的光谱标准化方法 | 第48-58页 |
| 4.1 引言 | 第48-49页 |
| 4.2 光谱模型标准化方法 | 第49-50页 |
| 4.3 基于迹范数正则的光谱模型标准化迁移方法 | 第50-53页 |
| 4.4 光谱标准化迁移方法的实验结果 | 第53-57页 |
| 4.5 本章总结 | 第57-58页 |
| 第5章 同时标定多个仪器的多任务学习方法和紫外可见光谱实验 | 第58-76页 |
| 5.1 几种常用的多任务学习方法以及其在光谱分析中的应用 | 第58-61页 |
| 5.2 同时进行结构学习和共有特征提取的多任务学习方法 | 第61-67页 |
| 5.3 同时在多种环境下对多种物质预测的多任务学习方法 | 第67-71页 |
| 5.4 光谱的同时标定实验 | 第71-74页 |
| 5.4.1 人工数据集上的实验 | 第71页 |
| 5.4.2 紫外可见光谱仪实验 | 第71-74页 |
| 5.5 本章总结 | 第74-76页 |
| 第6章 稀疏贝叶斯混合专家模型及其在光谱分析中的应用 | 第76-96页 |
| 6.1 引言 | 第76-79页 |
| 6.2 稀疏的混合专家模型 | 第79-83页 |
| 6.2.1 混合专家模型 | 第79-80页 |
| 6.2.2 稀疏混合专家模型 | 第80-83页 |
| 6.3 稀疏混合专家模型的变分推断以及预测 | 第83-90页 |
| 6.3.1 专家模型的变分推断 | 第84-85页 |
| 6.3.2 门函数的变分推断 | 第85-89页 |
| 6.3.3 变分预测算法 | 第89-90页 |
| 6.4 实验 | 第90-95页 |
| 6.4.1 人工数据 | 第91-93页 |
| 6.4.2 光谱数据 | 第93-95页 |
| 6.5 总结 | 第95-96页 |
| 第7章 基于迹范数正则的混合专家分类模型 | 第96-110页 |
| 7.1 引言 | 第96-97页 |
| 7.2 迹范数正则的混合专家模型 | 第97-103页 |
| 7.2.1 混合专家分类模型 | 第97-98页 |
| 7.2.2 预先进行特征提取的混合专家模型 | 第98-101页 |
| 7.2.3 非线性的迹范数正则的混合专家模型 | 第101-103页 |
| 7.3 实验 | 第103-107页 |
| 7.3.1 仿真数据 | 第104-106页 |
| 7.3.2 真实的分类数据集 | 第106-107页 |
| 7.4 本章总结 | 第107-110页 |
| 第8章 总结与展望 | 第110-112页 |
| 8.1 本文工作总结 | 第110-111页 |
| 8.2 未来工作展望 | 第111-112页 |
| 参考文献 | 第112-120页 |
| 致谢 | 第120-121页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第121页 |
