| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-36页 |
| ·近红外光谱分析技术 | 第11-15页 |
| ·近红外光谱分析技术发展简介 | 第11页 |
| ·近红外光谱分析技术的基本原理 | 第11-12页 |
| ·近红外光谱分析技术的优点与局限性 | 第12-15页 |
| ·近红外光谱技术中的化学计量学（CHEMOMETRICS）方法 | 第15-28页 |
| ·化学计量学在近红外光谱预处理中的应用 | 第15-16页 |
| ·人工神经网络 | 第16-21页 |
| ·径向基函数（RBF）神经网络 | 第21-23页 |
| ·支持向量机（SVM） | 第23-27页 |
| ·偏最小二乘方法 | 第27-28页 |
| ·近红外光谱技术结合化学计量学在各领域中的应用 | 第28-31页 |
| ·农业领域 | 第28页 |
| ·食品分析 | 第28-29页 |
| ·制药工业 | 第29页 |
| ·石油化工 | 第29-31页 |
| 参考文献 | 第31-36页 |
| 第二章 BP 神经网络与近红外光谱定量预测杉木中的综纤维素、木质素、密度、微纤丝角 | 第36-47页 |
| ·引言 | 第36-37页 |
| ·实验部分 | 第37-38页 |
| ·仪器与试剂 | 第37页 |
| ·综纤维素和木质素、密度、微纤丝角的测定 | 第37页 |
| ·NIR 光谱采集 | 第37-38页 |
| ·数据的采集与处理 | 第38页 |
| ·结果与讨论 | 第38-43页 |
| ·隐含层神经元个数的选择 | 第38-40页 |
| ·学习速率的选择 | 第40-41页 |
| ·动量因子的选择 | 第41-42页 |
| ·学习次数的选择 | 第42-43页 |
| ·用BP 网络进行预测与验证 | 第43-44页 |
| ·结论 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 第三章 RBF 神经网络与近红外光谱预测杉木密度、微纤丝角 | 第47-54页 |
| ·引言 | 第47-48页 |
| ·实验部分 | 第48-49页 |
| ·仪器与试剂 | 第48页 |
| ·密度、微纤丝角含量测定 | 第48页 |
| ·NIR 光谱采集 | 第48-49页 |
| ·数据的采集与处理 | 第49页 |
| ·结果与讨论 | 第49-52页 |
| ·隐含层节点数MN 的选择 | 第49-50页 |
| ·散布常数SC 的选择 | 第50-51页 |
| ·用RBF 网络进行预测与验证 | 第51-52页 |
| ·结论 | 第52页 |
| 参考文献 | 第52-54页 |
| 第四章 支持向量机与近红外光谱法预测杉木密度 | 第54-63页 |
| ·引言 | 第54-55页 |
| ·实验部分 | 第55-56页 |
| ·仪器与试剂 | 第55页 |
| ·密度测定方法 | 第55页 |
| ·NIR 光谱采集 | 第55页 |
| ·数据的采集与处理 | 第55-56页 |
| ·结果与讨论 | 第56-61页 |
| ·SVM 参数的优化 | 第56页 |
| ·核函数的选择 | 第56-57页 |
| ·核函数参数γ的选择 | 第57页 |
| ·不敏感损失因子ε的选择 | 第57-58页 |
| ·正则化因子C 的选择 | 第58-59页 |
| ·预测结果 | 第59-60页 |
| ·两种建模方法的比较 | 第60-61页 |
| ·结论 | 第61页 |
| 参考文献 | 第61-63页 |
| 第五章 近红外光谱定量预测奶粉中三聚氰胺含量 | 第63-73页 |
| ·引言 | 第63-64页 |
| ·实验部分 | 第64-66页 |
| ·仪器与试剂 | 第64页 |
| ·样品制备 | 第64页 |
| ·图谱采集 | 第64-65页 |
| ·建立NIRS 数学模型 | 第65-66页 |
| ·定标模型的可靠性评价 | 第66页 |
| ·结果与讨论 | 第66-70页 |
| ·光谱波数段的选择 | 第66页 |
| ·光谱预处理方式的选择 | 第66-67页 |
| ·主因子数的选择 | 第67页 |
| ·最优模型的内部交互验证 | 第67-68页 |
| ·最优模型的外部验证 | 第68-69页 |
| ·最优模型的检验 | 第69-70页 |
| ·结论 | 第70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士期间论文发表情况 | 第73-74页 |
| 致谢 | 第74-75页 |
