| 摘要 | 第3-4页 |
| ABSTRACT | 第4-8页 |
| 符号说明 | 第8-9页 |
| 1绪论 | 第9-20页 |
| 1.1引言 | 第9页 |
| 1.2废塑料回收分类方法 | 第9-11页 |
| 1.3模式识别 | 第11-12页 |
| 1.4近红外光谱技术 | 第12-15页 |
| 1.4.1近红外光谱技术的原理 | 第12-13页 |
| 1.4.2近红外光谱在塑料领域的应用 | 第13-15页 |
| 1.4.3近红外光谱在其他领域的应用 | 第15页 |
| 1.5塑料近红外光谱分析的技术路线 | 第15-18页 |
| 1.5.1塑料种类模式识别分类的主要流程 | 第15-17页 |
| 1.5.2模型评价的方法和指标 | 第17-18页 |
| 1.6论文的章节安排 | 第18-20页 |
| 2塑料近红外光谱的采集和预处理 | 第20-35页 |
| 2.1塑料光谱数据的采集 | 第20-26页 |
| 2.2塑料样本的预处理 | 第26-32页 |
| 2.2.1剔除异常样本 | 第26-27页 |
| 2.2.2平滑处理 | 第27-28页 |
| 2.2.3光程校正 | 第28-30页 |
| 2.2.4基线校正 | 第30-32页 |
| 2.3光谱预处理结果分析 | 第32-33页 |
| 2.4本章小结 | 第33-35页 |
| 3塑料近红外光谱特征波长的选择方法 | 第35-48页 |
| 3.1基于主成分分析法的近红外光谱特征波长选择 | 第35-39页 |
| 3.1.1主成分分析法 | 第36页 |
| 3.1.2基于PCA的近红外光谱波长选择结果 | 第36-39页 |
| 3.2基于连续投影法的近红外光谱特征波长选择 | 第39-41页 |
| 3.2.1连续投影法 | 第39-40页 |
| 3.2.2基于SPA的近红外光谱波长选择结果 | 第40-41页 |
| 3.3基于竞争性自适应重加权算法的近红外光谱特征波长选择 | 第41-44页 |
| 3.3.1竞争性自适应重加权算法 | 第41-43页 |
| 3.3.2基于CARS的近红外光谱波长选择结果 | 第43-44页 |
| 3.4基于无信息变量消除法的近红外光谱特征波长选择 | 第44-46页 |
| 3.4.1无信息变量消除法 | 第44-45页 |
| 3.4.2基于UVE的近红外光谱波长选择结果 | 第45-46页 |
| 3.5本章小结 | 第46-48页 |
| 4塑料近红外光谱模式识别分类建模方法的研究 | 第48-67页 |
| 4.1基于BP神经网络塑料种类鉴别模型的研究 | 第48-54页 |
| 4.1.1BP神经网络算法理论及方法 | 第48-50页 |
| 4.1.2BP神经网络建模过程与结果分析 | 第50-54页 |
| 4.2基于支撑向量机塑料种类鉴别模型的研究 | 第54-62页 |
| 4.2.1支撑向量机理论及方法 | 第54-56页 |
| 4.2.2SVM算法建模过程与结果分析 | 第56-62页 |
| 4.3基于偏最小二乘辨别分析法塑料种类鉴别模型的研究 | 第62-64页 |
| 4.3.1偏最小二乘辨别分析法理论及方法 | 第62页 |
| 4.3.2PLS-DA算法建模过程与结果分析 | 第62-64页 |
| 4.4基于塑料样本多分类鉴别模型的优化 | 第64-65页 |
| 4.4.1样本划分算法的原理 | 第64页 |
| 4.4.2不同样本划分方法结果对比 | 第64-65页 |
| 4.5本章小结 | 第65-67页 |
| 5废塑料近红外分选机硬件设计 | 第67-72页 |
| 5.1分选机喂料装置设计 | 第67-68页 |
| 5.2传送装置设计 | 第68-70页 |
| 5.2.1V带及带轮设计 | 第68-69页 |
| 5.2.2轴系零部件设计 | 第69-70页 |
| 5.3其它零部件设计 | 第70页 |
| 5.3.1光源 | 第70页 |
| 5.3.2喷吹分离装置设计 | 第70页 |
| 5.4传动装置改进 | 第70-71页 |
| 5.5本章小结 | 第71-72页 |
| 6结论与展望 | 第72-74页 |
| 6.1结论 | 第72-73页 |
| 6.2创新点 | 第73页 |
| 6.3展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读学位期间取得的科研成果 | 第79-81页 |
| 致谢 | 第81-82页 |
