| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 白酒质量的控制及品牌的鉴别 | 第9-10页 |
| 1.1.2 模式分类中训练样本的筛选 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 白酒品质鉴别的研究现状 | 第11-12页 |
| 1.2.2 化学谱图特征的选择与提取 | 第12-13页 |
| 1.2.3 支持向量机及其参数的优化 | 第13-14页 |
| 1.2.4 支持向量机训练样本的划分与筛选 | 第14-16页 |
| 1.2.5 文献评述及小结 | 第16-17页 |
| 1.3 研究内容及创新点 | 第17-18页 |
| 1.3.1 主要研究内容 | 第17页 |
| 1.3.2 本文的创新点 | 第17-18页 |
| 1.4 结构安排 | 第18-20页 |
| 第二章 基本理论 | 第20-36页 |
| 2.1 统计学习的相关理论 | 第20-24页 |
| 2.1.1 统计学习理论 | 第20-21页 |
| 2.1.2 决策风险的度量 | 第21-22页 |
| 2.1.3 VC维理论 | 第22-23页 |
| 2.1.4 结构风险最小化 | 第23-24页 |
| 2.2 数据的降噪处理 | 第24-28页 |
| 2.2.1 Fourier变换 | 第25页 |
| 2.2.2 基于时频分析的小波变换 | 第25-26页 |
| 2.2.3 分层阈值小波变换在化学谱图降噪中的应用 | 第26-28页 |
| 2.3 K-means聚类 | 第28-29页 |
| 2.4 支持向量机理论——结构风险最小化 | 第29-35页 |
| 2.4.1 支持向量机分类模型 | 第29-32页 |
| 2.4.2 核函数的应用 | 第32-34页 |
| 2.4.3 基于网格搜索法的参数优化 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章K-means在支持向量机训练样本筛选中的应用 | 第36-49页 |
| 3.1 支持向量机分类存在的问题 | 第36-37页 |
| 3.2 样本筛选的常见方法 | 第37-38页 |
| 3.2.1 随机取样法 | 第37-38页 |
| 3.2.2 KS法 | 第38页 |
| 3.3 基于K-means的训练样本筛选方法(K-SVM算法) | 第38-43页 |
| 3.3.1 K-SVM算法的描述 | 第38-40页 |
| 3.3.2 K-SVM算法的实现 | 第40-43页 |
| 3.4 K-SVM在UCI数据集上的分类 | 第43-48页 |
| 3.4.1 UCI数据集的描述 | 第43-45页 |
| 3.4.2 不同样本筛选方法在UCI数据集分类中的应用 | 第45-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章K-SVM在白酒品牌鉴别中的应用 | 第49-61页 |
| 4.1 白酒TOFMS数据的采集 | 第49-52页 |
| 4.1.1 实验仪器 | 第49-50页 |
| 4.1.2 实验样品 | 第50页 |
| 4.1.3 仪器可靠性检验 | 第50-52页 |
| 4.1.4 样品相似性的描述 | 第52页 |
| 4.2 白酒TOFMS数据的预处理 | 第52-58页 |
| 4.2.1 基于coif小波的数据降噪 | 第52-53页 |
| 4.2.2 PLS在谱图特征提取中的应用 | 第53-58页 |
| 4.3 应用K-SVM进行白酒品牌鉴别 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 全文工作总结 | 第61页 |
| 5.2 未来工作展望 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 附录：数据处理Matlab代码 | 第70-76页 |
| 攻读硕士学位期间相关成果 | 第76-77页 |
| 后记 | 第77页 |
