| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状和发展趋势 | 第12-17页 |
| 1.2.1 染液检测的研究现状 | 第12-14页 |
| 1.2.2 机器学习的研究现状 | 第14-15页 |
| 1.2.2.1 支持向量机的研究现状 | 第14-15页 |
| 1.2.2.2 深度学习的研究现状 | 第15页 |
| 1.2.3 基于机器学习的光谱分类研究现状和发展趋势 | 第15-17页 |
| 1.3 本文的主要研究内容、思路和创新点 | 第17页 |
| 1.3.1 本文的研究内容和思路 | 第17页 |
| 1.3.2 创新点 | 第17页 |
| 1.4 本文章节安排 | 第17-19页 |
| 第二章 染液光谱数据在线采集与预处理 | 第19-25页 |
| 2.1 材料样品的选择 | 第19页 |
| 2.2 光谱在线采集系统 | 第19-21页 |
| 2.3 光谱数据处理 | 第21-24页 |
| 2.3.1 光谱数据预处理 | 第21-23页 |
| 2.3.2 样本集划分方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于支持向量机的三组分混合染液光谱分类 | 第25-37页 |
| 3.1 支持向量机基础 | 第25-30页 |
| 3.1.1 支持向量机理论 | 第25-26页 |
| 3.1.2 SVM目标函数及核函数 | 第26-30页 |
| 3.2 支持向量机改进模型 | 第30-32页 |
| 3.3 基于优化组合预处理和改进SVM模型的改进算法 | 第32-36页 |
| 3.3.1 优化组合预处理 | 第32-35页 |
| 3.3.2 SVM的改进算法 | 第35-36页 |
| 3.3.2.1 双正则目标函数理论 | 第35页 |
| 3.3.2.2 双正则目标函数代码实现 | 第35-36页 |
| 3.3.3 多层次多SVM子集结构 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于深度学习算法的三组分混合染液光谱分类 | 第37-51页 |
| 4.1 深度学习基础 | 第37-41页 |
| 4.1.1 人工神经网络 | 第37-40页 |
| 4.1.1.1 感知器 | 第38-39页 |
| 4.1.1.2 BP神经网络模型 | 第39-40页 |
| 4.1.2 深度学习理论 | 第40-41页 |
| 4.2 常用深度学习网络模型 | 第41-45页 |
| 4.2.1 自编码器 | 第41-42页 |
| 4.2.2 卷积神经网络 | 第42页 |
| 4.2.3 受限玻尔兹曼机 | 第42-43页 |
| 4.2.4 深度信念网络 | 第43-45页 |
| 4.3 深度学习改进算法 | 第45-50页 |
| 4.3.1 常用深度学习隐层参数确定方法 | 第45页 |
| 4.3.2 遗传算法 | 第45-46页 |
| 4.3.3 遗传算法结合深度学习的改进模型 | 第46-50页 |
| 4.3.3.1 遗传算法选择最佳隐层数 | 第47-48页 |
| 4.3.3.2 深度学习提取光谱数据特征 | 第48-49页 |
| 4.3.3.3 BP神经网络实现混合活性染液分类 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于机器学习的三组分混合染液光谱分类实验测试 | 第51-61页 |
| 5.1 标准弱酸性混合染液和活性混合染液的配制 | 第51-54页 |
| 5.2 三组分混合染液有效光谱数据 | 第54-56页 |
| 5.2.1 80组三组分弱酸性混合染液有效光谱数据 | 第54-56页 |
| 5.2.2 80组三组分活性混合染液有效光谱数据 | 第56页 |
| 5.3 基于连续投影算法和改进nu-SVR模型的实验测试 | 第56-58页 |
| 5.4 基于遗传算法结合深度学习改进模型的实验测试 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士研究生期间的研究成果 | 第68页 |
