| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 木材密度检测现状 | 第11-12页 |
| 1.3 近红外光谱分析技术简介 | 第12-13页 |
| 1.3.1 技术特点 | 第12页 |
| 1.3.2 近红外光谱分析流程 | 第12-13页 |
| 1.4 近红外光谱在木材检测方面国内外研究现状 | 第13-15页 |
| 1.5 研究内容和技术路线 | 第15-17页 |
| 2 近红外定量分析流程与样本制备 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 近红外定量分析处理流程 | 第17-19页 |
| 2.2.1 谱区选择 | 第17页 |
| 2.2.2 光谱预处理 | 第17页 |
| 2.2.3 数据降维 | 第17-18页 |
| 2.2.4 数学模型的建立与优化 | 第18页 |
| 2.2.5 模型的评价 | 第18-19页 |
| 2.3 实验材料及仪器 | 第19-20页 |
| 2.3.1 柞木样本材料制取 | 第19页 |
| 2.3.2 实验仪器介绍 | 第19-20页 |
| 2.4 柞木样本光谱采集 | 第20-22页 |
| 2.5 柞木基本密度测量 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 3 木材基本密度奇异样本剔除与光谱预处理 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 木材基本密度与光谱奇异值剔除方法研究 | 第24-26页 |
| 3.2.1 马氏距离和杠杆值法 | 第24-25页 |
| 3.2.2 最小半球体积法 | 第25页 |
| 3.2.3 半数重采样法 | 第25-26页 |
| 3.2.4 蒙特卡洛采样法 | 第26页 |
| 3.3 木材近红外光谱数据预处理方法研究 | 第26-31页 |
| 3.3.1 导数光谱 | 第27-28页 |
| 3.3.2 光谱数据的平滑 | 第28-29页 |
| 3.3.3 标准正态变量变换 | 第29-30页 |
| 3.3.4 多元散射效应校正 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-33页 |
| 3.4.1 木材基本密度与光谱奇异值剔除实验 | 第31-32页 |
| 3.4.2 木材近红外光谱预处理实验 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 木材基本密度近红外光谱特征波长提取 | 第34-42页 |
| 4.1 引言 | 第34页 |
| 4.2 谱区选择与波长提取算法 | 第34-36页 |
| 4.2.1 谱区选择算法 | 第34-35页 |
| 4.2.2 遗传算法 | 第35页 |
| 4.2.3 连续投影算法 | 第35-36页 |
| 4.3 BiPLS-SPA的光谱特征优选方法 | 第36-37页 |
| 4.4 木材光谱特征选择实验与结果分析 | 第37-41页 |
| 4.4.1 BiPLS的特征波长选择 | 第37-38页 |
| 4.4.2 GA的特征波长选择 | 第38-39页 |
| 4.4.3 SPA的特征波长选择 | 第39页 |
| 4.4.4 BiPLS-GA的特征波长选择 | 第39-40页 |
| 4.4.5 BiPLS-SPA的特征波长选择 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 小波神经网络在木材基本密度近红外建模中的应用 | 第42-52页 |
| 5.1 引言 | 第42页 |
| 5.2 近红外光谱分析常用建模方法 | 第42-44页 |
| 5.2.1 多元线性回归 | 第42页 |
| 5.2.2 主成分回归 | 第42-43页 |
| 5.2.3 偏最小二乘PLS | 第43页 |
| 5.2.4 人工神经网络 | 第43-44页 |
| 5.3 小波神经网络模型 | 第44-49页 |
| 5.3.1 小波基础理论 | 第44-45页 |
| 5.3.2 小波神经网络 | 第45-48页 |
| 5.3.3 基于小波神经网络的木材基本密度建模 | 第48-49页 |
| 5.4 木材基本密度与近红外光谱建模实验结果与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59-60页 |