致谢 | 第7-8页 |
摘要 | 第8-10页 |
ABSTRACT | 第10-11页 |
术语表 | 第19-21页 |
1 绪论 | 第21-38页 |
1.1 引言 | 第21页 |
1.2 研究背景和现状 | 第21-35页 |
1.2.1 农产品无损检测概述 | 第21-22页 |
1.2.2 农产品无损检测中模式识别方法研究现状 | 第22-32页 |
1.2.3 面临的主要问题 | 第32-35页 |
1.3 论文研究内容与结构安排 | 第35-37页 |
1.3.1 论文的研究内容 | 第35-36页 |
1.3.2 论文的结构安排 | 第36-37页 |
1.4 本章小结 | 第37-38页 |
2 农产品无损检测中模式识别基本方法与原理 | 第38-58页 |
2.1 数据预处理方法 | 第38-43页 |
2.1.1 数据归一化,标准和变换 | 第38-40页 |
2.1.2 异常数据检测和空缺值处理 | 第40页 |
2.1.3 噪声数据处理 | 第40-43页 |
2.2 数据降维方法 | 第43-46页 |
2.2.1 线性降维方法 | 第43-45页 |
2.2.2 非线性降维方法 | 第45-46页 |
2.3 建模方法 | 第46-57页 |
2.3.1 定性分类识别建模方法 | 第46-51页 |
2.3.2 定量分析建模方法 | 第51-57页 |
2.4 本章小结 | 第57-58页 |
3 基于自编码网络的近红外光谱非线性降维方法研究 | 第58-69页 |
3.1 引言 | 第58-59页 |
3.2 自编码网络结构和工作原理 | 第59-62页 |
3.2.1 自编码网络结构 | 第59页 |
3.2.2 自编码网络工作原理 | 第59-62页 |
3.3 实验材料与方法 | 第62-65页 |
3.3.1 仪器设备 | 第62页 |
3.3.2 样品及光谱获取 | 第62-64页 |
3.3.3 光谱数据处理与建模 | 第64-65页 |
3.4 实验结果与讨论 | 第65-68页 |
3.4.1 光谱降维 | 第65-66页 |
3.4.2 建模及预测结果比较 | 第66-68页 |
3.5 本章小结 | 第68-69页 |
4 基于稀疏表示的图像和光谱分类识别方法研究 | 第69-96页 |
4.1 引言 | 第69页 |
4.2 稀疏表示分类原理 | 第69-71页 |
4.3 稀疏表示在葡萄干品质图像识别中的应用研究 | 第71-87页 |
4.3.1 背景介绍 | 第71-72页 |
4.3.2 实验材料与方法 | 第72-76页 |
4.3.3 实验结果与讨论 | 第76-87页 |
4.3.4 结论 | 第87页 |
4.4 稀疏表示在大西洋鲑肉色可见/近红外光谱识别中应用研究 | 第87-94页 |
4.4.1 背景介绍 | 第87-88页 |
4.4.2 实验材料与方法 | 第88-92页 |
4.4.3 实验结果与讨论 | 第92-94页 |
4.4.4 结论 | 第94页 |
4.5 本章小结 | 第94-96页 |
5 基于相关向量机的近红外光谱定量建模方法研究 | 第96-106页 |
5.1 引言 | 第96-97页 |
5.2 相关向量机原理 | 第97-100页 |
5.2.1 模型描述 | 第97-98页 |
5.2.2 贝叶斯推理 | 第98-99页 |
5.2.3 优化超参数及预测 | 第99-100页 |
5.3 实验材料与方法 | 第100-103页 |
5.3.1 仪器设备及试剂 | 第100-101页 |
5.3.2 样品光谱采集与腺苷含量值测定 | 第101-102页 |
5.3.3 建模与优化 | 第102-103页 |
5.4 实验结果与讨论 | 第103-104页 |
5.5 本章小结 | 第104-106页 |
6 结论与展望 | 第106-110页 |
6.1 主要研究结论 | 第106-108页 |
6.1.1 基于自编码网络的近红外光谱非线性降维方法研究 | 第106-107页 |
6.1.2 基于稀疏表示的图像和光谱分类识别方法研究 | 第107-108页 |
6.1.3 基于相关向量机的近红外光谱定量建模方法研究 | 第108页 |
6.2 论文的创新点 | 第108-109页 |
6.3 下一步研究展望 | 第109-110页 |
参考文献 | 第110-120页 |
作者简历 | 第120-121页 |
发表文章目录 | 第121-122页 |