| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-22页 |
| ·近红外光谱(NIR) | 第11-14页 |
| ·简介 | 第11-12页 |
| ·现代近红外光谱技术特点 | 第12-13页 |
| ·近红外光谱技术的应用 | 第13-14页 |
| ·粒子群优化算法 | 第14-16页 |
| ·粒子群优化算法的基本原理 | 第14页 |
| ·粒子群优化算法的发展 | 第14-16页 |
| ·小波变换与小波包变换 | 第16-18页 |
| ·小波变换 | 第16页 |
| ·小波包变换 | 第16页 |
| ·小波分析的应用 | 第16-18页 |
| ·支持向量机 | 第18-20页 |
| ·结构风险最小化原理 | 第19页 |
| ·核函数 | 第19-20页 |
| ·本论文研究工作的构思 | 第20-22页 |
| 第2章 自适应小波包特征提取支持向量机建模及其在肉类近红外光谱数据中的分析应用 | 第22-32页 |
| ·引言 | 第22-23页 |
| ·理论部分 | 第23-28页 |
| ·小波包和小波包树 | 第23-24页 |
| ·基于小波包特征提取的支持向量机建模 | 第24-25页 |
| ·粒子群优化算法 | 第25-26页 |
| ·PSO全局优化自适应性构建WPT-SVM | 第26-28页 |
| ·数据集 | 第28-29页 |
| ·结果与讨论 | 第29-31页 |
| ·小结 | 第31-32页 |
| 第3章 自适应小波包特征提取支持向量机模型用于玉米近红外数据的定量预测 | 第32-37页 |
| ·引言 | 第32-33页 |
| ·理论部分 | 第33页 |
| ·PSO作全局优化适应性的构建WPT-SVM算法(见2.2.4) | 第33页 |
| ·数据集 | 第33页 |
| ·结果与讨论 | 第33-36页 |
| ·小结 | 第36-37页 |
| 第4章 自适应小波包特征提取支持向量机模型用于干草近红外光谱数据的定量预测 | 第37-44页 |
| ·引言 | 第37-38页 |
| ·理论部分 | 第38页 |
| ·PSO作全局优化适应性的构建WPT-SVM算法(见2.2.4) | 第38页 |
| ·数据集 | 第38页 |
| ·结果与讨论 | 第38-42页 |
| ·小结 | 第42-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-53页 |
| 附录A 攻读学位期间发表的学术论文 | 第53-54页 |
| 致谢 | 第54页 |
