模糊小波算法在啤酒质量检测中的应用

中文摘要	第3-4页
英文摘要	第4页
第1章 绪论	第7-16页
1．1 计算智能的发展	第7-9页
1．1．1 软计算与计算智能	第7页
1．1．2 从传统人工智能到计算智能	第7-8页
1．1．3 从传统智能信息处理到计算智能信息处理	第8-9页
1．2 智能信息处理的主要方法	第9-14页
1．2．1 模糊方法	第9-10页
1．2．2 神经网络方法	第10-11页
1．2．3 模糊方法与神经网络的结合	第11页
1．2．4 遗传算法	第11-13页
1．2．5 小波神经网络的发展及背景	第13-14页
1．3 课题研究内容与总体思路	第14-16页
第2章 违标类型与系统结构	第16-24页
2．1 我国啤酒质量检测基本状况	第16-19页
2．1．1 目前我国啤酒业基本状况	第16页
2．1．2 目前我国啤酒质量的基本状况	第16-17页
2．1．3 啤酒质量判断的方法	第17页
2．1．4 目前我国啤酒质量检测的主要方式	第17-19页
2．2 违标类型	第19-21页
2．3 系统结构图	第21-22页
2．4 噪声滤波	第22-23页
2．4．1 基本概念	第22页
2．4．2 算法实现	第22-23页
2．5 本章小结	第23-24页
第3章 图像预处理	第24-28页
3．1 图像采集	第24页
3．2 调整图像的亮度和对比度	第24-25页
3．3 转化为灰度图	第25-27页
3．3．1 理论基础	第25-26页
3．3．2 处理结果	第26-27页
3．4 本章小结	第27-28页
第4章 边缘检测	第28-36页
4．1 基本概念	第28-29页
4．2 经典边缘检测算法	第29-30页
4．3 二维小波变换作图像的边缘检测	第30-35页
4．3．1 小波的多分率分析	第30-33页
4．3．2 小波变换的图像特征提取	第33-34页
4．3．3 方法实现	第34-35页
4．4 本章小结	第35-36页
第5章 图像的深度分析	第36-48页
5．1 立体视觉来恢复图像的深度值	第36-39页
5．1．1 图像获取	第37页
5．1．2 摄像机校准	第37页
5．1．3 特征提取	第37页
5．1．4 立体匹配	第37页
5．1．5 3-D信息的恢复	第37-39页
5．2 物体三维运动和结构信息的估计	第39-44页
5．3 两种方法的比较与分析	第44页
5．4 算法实现	第44-47页
5．5 本章小结	第47-48页
第6章 模糊化和模糊推理	第48-58页
6．1 模糊集合及其运算	第48-50页
6．2 模糊集合与普通集合的相互转换	第50-51页
6．3 模糊关系和扩展原理	第51-53页
6．4 模糊性度量	第53-54页
6．4．1 模糊度	第53页
6．4．2 模糊熵	第53-54页
6．4．3 模糊集间的距离度量	第54页
6．5 模糊规则和模糊推理	第54-55页
6．6 隶属度函数的构造方法	第55-56页
6．7 本章小结	第56-58页
第7章 特征提取	第58-68页
7．1 知识库的形成	第58-60页
7．2 特征提取	第60-61页
7．3 具体实现	第61-66页
7．3．1 选取小波函数	第61-63页
7．3．2 特征提取	第63-66页
7．4 知识库的更新	第66-67页
7．5 本章小结	第67-68页
第8章 违标类型识别	第68-82页
8．1 模糊策略与算法	第68-69页
8．2 模糊化	第69-70页
8．3 模糊推理机	第70-71页
8．4 性能指标和规则库的优化	第71-79页
8．4．1 性能指标	第72-73页
8．4．2 规则库的优化	第73-79页
8．5 模糊推理并输出最终识别结果	第79-80页
8．6 算法示意图	第80-81页
8．7 本章小结	第81-82页
结论	第82-84页
参考文献	第84-87页
致谢	第87页