| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究目的和意义 | 第8-9页 |
| ·高光谱图像技术与肉类新鲜度检测及机器学习的研究现状 | 第9-14页 |
| ·当前光谱技术在猪肉新鲜度无损检测中的一些问题 | 第14-15页 |
| ·本论文的主要研究工作 | 第15-16页 |
| 第二章 高光谱图像技术及实验数据采集 | 第16-26页 |
| ·引言 | 第16页 |
| ·材料与方法 | 第16-21页 |
| ·实验材料以及高光谱图像采集 | 第16-18页 |
| ·猪肉实验样本TVB-N含量值的测量 | 第18-21页 |
| ·数据预处理与分析 | 第21-23页 |
| ·高光谱图像预处理 | 第21页 |
| ·基于自动阈值的图像分割 | 第21-22页 |
| ·光谱均值特征及图像熵特征的提取 | 第22-23页 |
| ·最小二乘支持向量机(LSSVM) 模型的建立 | 第23-25页 |
| ·最小二乘支持向量机的基本原理 | 第23-24页 |
| ·模型性能的评价 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于特征融合的猪肉新鲜度高光谱图像检测 | 第26-34页 |
| ·引言 | 第26页 |
| ·降维算法基本原理 | 第26-29页 |
| ·连续投影算法选取波段特征变量 | 第26-28页 |
| ·特征建模 | 第28-29页 |
| ·结果的分析与讨论 | 第29-33页 |
| ·TVB-N值随时间的变化 | 第29-30页 |
| ·特征曲线的比较 | 第30-31页 |
| ·在全波段条件下，不同特征建模结果比较 | 第31页 |
| ·不同特征降维方式下建模结果的比较 | 第31-33页 |
| ·猪肉新鲜度可视化检测 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于主动学习采样的猪肉新鲜度高光谱图像检测 | 第34-44页 |
| ·引言 | 第34页 |
| ·主动学习采样算法 | 第34-40页 |
| ·主动学习采样算法介绍 | 第34-35页 |
| ·基于最小化风险期望误差的主动采样策略 | 第35-37页 |
| ·最小化风险期望误差主动学习算法步骤 | 第37-38页 |
| ·基于主动学习采样的肉类新鲜度高光谱图像检测模型的构建 | 第38-40页 |
| ·基于主动学习采样建模的结果分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 基于多模型学习的猪肉新鲜度高光谱图像检测 | 第44-53页 |
| ·引言 | 第44页 |
| ·多模型协同递归的基本原理介绍 | 第44-46页 |
| ·结果的分析与讨论 | 第46-52页 |
| ·特征建模性能分析 | 第47-49页 |
| ·特征建模结果数据分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 主要结论与展望 | 第53-56页 |
| 主要结论 | 第53-54页 |
| 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录： 作者在攻读硕士学位期间发表的论文 | 第61页 |
