摘要 | 第3-4页 |
ABSTRACT | 第4页 |
第一章 文献综述 | 第7-18页 |
1.1 研究背景及意义 | 第7页 |
1.2 废旧塑料的回收利用 | 第7-9页 |
1.2.1 废旧塑料的回收市场 | 第7-8页 |
1.2.2 废旧塑料的回收行业发展前景 | 第8-9页 |
1.3 废旧塑料回收技术 | 第9-12页 |
1.3.1 废旧塑料的回收处理方法 | 第9-10页 |
1.3.2 废旧塑料的识别方法 | 第10-12页 |
1.4 近红外光谱技术 | 第12-16页 |
1.4.1 近红外光谱的分析基础 | 第12页 |
1.4.2 近红外光谱的原理 | 第12-14页 |
1.4.3 近红外光谱的定性分析 | 第14-16页 |
1.5 本文研究工作与内容 | 第16-18页 |
1.5.1 本文的研究思路与方法 | 第16页 |
1.5.2 内容安排 | 第16-18页 |
第二章 废旧混合塑料近红外光谱数据收集与预处理 | 第18-33页 |
2.1 近红外光谱分析 | 第18-20页 |
2.1.1 近红外光谱仪的基本构成 | 第18-19页 |
2.1.2 分析流程 | 第19-20页 |
2.2 废旧混合塑料近红外光谱的采集 | 第20-23页 |
2.2.1 样品的制备 | 第20页 |
2.2.2 光谱的采集 | 第20-23页 |
2.3 废旧塑料光谱数据库的建立 | 第23-32页 |
2.3.1 漫反射光谱的K-M变换 | 第23-29页 |
2.3.2 主成分分析法提取特征光谱 | 第29-32页 |
2.4 本章小结 | 第32-33页 |
第三章 废旧塑料近红外特征光谱的Fisher判别 | 第33-43页 |
3.1 Fisher判别原理 | 第33-35页 |
3.1.1 基本思想 | 第33-34页 |
3.1.2 线性判别函数的求法 | 第34页 |
3.1.3 Fisher判别准则 | 第34-35页 |
3.2 标准样品的模型建立 | 第35-38页 |
3.2.1 材料与方法 | 第35页 |
3.2.2 判别分析函数的建立 | 第35-38页 |
3.3 样品集判别分析结果 | 第38-40页 |
3.4 对未知样品的判别分类 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
第四章 BP神经网络对废旧塑料近红外特征光谱的判别 | 第43-55页 |
4.1 BP神经网络 | 第43页 |
4.2 BP神经网络的原理 | 第43-47页 |
4.2.1 BP神经网络结构 | 第43-44页 |
4.2.2 BP神经网络学习算法 | 第44-45页 |
4.2.3 BP神经网络的缺陷 | 第45-46页 |
4.2.4 Levenberg-Marquardt优化算法 | 第46-47页 |
4.3 BP神经网络的建立 | 第47-51页 |
4.3.1 训练样本数据的选取和归一化处理 | 第47-48页 |
4.3.2 网络参数的确定 | 第48-50页 |
4.3.3 网络的建立 | 第50-51页 |
4.4 神经网络的MATLAB实现 | 第51-52页 |
4.5 网络训练结果与讨论 | 第52-54页 |
4.6 本章小结 | 第54-55页 |
第五章 RBF神经网络对废旧塑料的识别分析 | 第55-64页 |
5.1 前言 | 第55页 |
5.2 径向基神经网络原理 | 第55-58页 |
5.2.1 基本思想 | 第55-56页 |
5.2.2 RBF神经网络的结构模型 | 第56-57页 |
5.2.3 RBF神经网络的学习算法 | 第57-58页 |
5.3 概率神经网络 | 第58-59页 |
5.3.1 概率神经网络的结构 | 第58-59页 |
5.3.2 概率神经网络的优势 | 第59页 |
5.4 概率神经网络的建立 | 第59-61页 |
5.4.1 训练样本数据的采集 | 第59-60页 |
5.4.2 网络参数的确定 | 第60-61页 |
5.4.3 网络的建立 | 第61页 |
5.5 概率神经网络的MATLAB实现 | 第61-62页 |
5.6 PNN训练结果与讨论 | 第62-63页 |
5.7 本章小结 | 第63-64页 |
第六章 废旧塑料回收在线识别设备选择 | 第64-68页 |
6.1 近红外光谱在线识别应用 | 第64-65页 |
6.2 高光谱成像技术 | 第65-66页 |
6.2.1 成像技术 | 第65页 |
6.2.2 高光谱成像 | 第65-66页 |
6.2.3 高光谱的优势 | 第66页 |
6.3 高光谱成像装置 | 第66-67页 |
6.4 本章小结 | 第67-68页 |
第七章 结论与展望 | 第68-70页 |
7.1 结论 | 第68-69页 |
7.2 本文创新点 | 第69页 |
7.3 展望 | 第69-70页 |
参考文献 | 第70-73页 |
发表论文和参加科研情况说明 | 第73-74页 |
致谢 | 第74页 |