近红外光谱技术用于茶碱浓度检测建模初步研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·研究的背景和意义 | 第9-10页 |
| ·近红外光谱技术常用的建模方法 | 第10-12页 |
| ·多元线性回归 | 第11页 |
| ·主成分回归 | 第11-12页 |
| ·偏最小二乘回归 | 第12页 |
| ·论文研究的内容 | 第12-14页 |
| 2 近红外光谱分析原理 | 第14-27页 |
| ·近红外光谱的产生和光谱特性 | 第14-18页 |
| ·近红外光谱的信息源 | 第14-16页 |
| ·近红外光谱的化学信息基础及特征 | 第16-18页 |
| ·近红外光谱技术的理论基础 | 第18-21页 |
| ·近红外透射光谱技术 | 第18-20页 |
| ·近红外反射光谱技术 | 第20-21页 |
| ·近红外光谱技术的特点和分析流程 | 第21-25页 |
| ·近红外光谱技术的发展 | 第25-27页 |
| 3 人工神经网络理论及其应用 | 第27-30页 |
| ·人工神经网络的原理 | 第27-29页 |
| ·人工神经网络的特点 | 第27-28页 |
| ·神经元模型 | 第28-29页 |
| ·人工神经网络的应用 | 第29-30页 |
| 4 BP 人工神经网络用于茶碱浓度分析 | 第30-47页 |
| ·BP 网络的原理与算法 | 第30-33页 |
| ·BP 网络结构 | 第30页 |
| ·BP 网络学习步骤 | 第30-32页 |
| ·BP 网络学习特点 | 第32-33页 |
| ·实验部分 | 第33-36页 |
| ·实验设计及样本制备 | 第33-34页 |
| ·实验仪器及测试条件 | 第34-35页 |
| ·模型的校验方法 | 第35-36页 |
| ·用BP 网络建立校正模型 | 第36-41页 |
| ·逼近度的使用 | 第36-37页 |
| ·输入层与输出层的设计 | 第37-38页 |
| ·隐含层的设计 | 第38-39页 |
| ·动量项与学习系数的选择 | 第39-40页 |
| ·网络学习次数的设计 | 第40-41页 |
| ·模型的校验 | 第41-42页 |
| ·一阶导数光谱对BP 网络模型的影响 | 第42-47页 |
| ·一阶导数光谱 | 第42页 |
| ·BP 网络的设计 | 第42-46页 |
| ·模型的检验 | 第46-47页 |
| 5 BP 网络模型与常规计量学模型的比较 | 第47-53页 |
| ·多元线性回归建立校正模型 | 第47-49页 |
| ·多元线性回归的原理 | 第47-48页 |
| ·模型的校验 | 第48页 |
| ·小结 | 第48-49页 |
| ·主成分回归建立校正模型 | 第49-50页 |
| ·主成分回归的原理 | 第49页 |
| ·模型的校验 | 第49-50页 |
| ·小结 | 第50页 |
| ·偏最小二乘回归建立校正模型 | 第50-52页 |
| ·偏最小二乘回归的原理 | 第50-51页 |
| ·模型的校验 | 第51-52页 |
| ·小结 | 第52页 |
| ·BP 网络模型与常规计量学模型的比较 | 第52-53页 |
| 6 总结 | 第53-55页 |
| ·论文所做的工作 | 第53-54页 |
| ·论文不足之处及展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录 | 第59页 |
| 发表论文 | 第59页 |
| 参与项目 | 第59页 |
