甜叶菊糖甙含量近红外光谱定量预测模型的创建及应用 |
论文目录 | | | 致谢 | 第1-9页 | | 摘要 | 第9-10页 | | Abstract | 第10-12页 | | 1 前言 | 第12-14页 | | 2 文献综述 | 第14-32页 | | · 近红外分析技术的理论基础 | 第14-15页 | | · 近红外光谱技术中的化学计量学方法 | 第15-31页 | | · 近红外光谱预处理方法的研究 | 第16-18页 | | · 小波变换法(Wavelet transform,WT) | 第16页 | | · 正交信号校正(Orthogonal signal correction,OSC) | 第16-18页 | | · 变量选择方法 | 第18-19页 | | · 基于蒙特卡罗的无信息变量消除(Monte Carlo uninformative variableelimination,MC-UVE) | 第18页 | | · 连续投影算法(Successive projections algorithm,SPA) | 第18-19页 | | · 其他变量选择方法 | 第19页 | | · 近红外光谱定量回归校正方法 | 第19-30页 | | · 支持向量机(Support vector machine,SVM) | 第19-24页 | | · 核偏最小二乘法(Kernel partial least squares,KPLS) | 第24-25页 | | · 集成(共识)建模策略 | 第25-27页 | | · PLS稳健性建模方法 | 第27-28页 | | · 稳健的支持向量机回归算法 | 第28-30页 | | · 模型传递 | 第30页 | | · 近红外模型评价指标 | 第30-31页 | | · 近红外光谱技术的特点 | 第31页 | | · 近红外光谱技术在农产品品质分析及育种中的应用 | 第31-32页 | | 3 材料与方法 | 第32-34页 | | · 试验材料与样品选择 | 第32页 | | · 样品近红外光谱采集及预处理 | 第32页 | | · 训练集和预测集样本划分 | 第32-33页 | | · 甜叶菊叶片糖甙含量测定 | 第33页 | | · 近红外光谱回归模型与预测集验证 | 第33-34页 | | 4 结果与分析 | 第34-53页 | | · 甜叶菊中二萜糖甙含量的测定 | 第34-37页 | | · 训练集和预测集选择 | 第34-35页 | | · 甜叶菊二萜糖甙含量的测定 | 第35-37页 | | · 目标性状近红外光谱变量选择 | 第37-41页 | | · 近红外光谱与目标性状相关性分析 | 第37-38页 | | · 光谱变量选择 | 第38-41页 | | · 线性与非线性方法建模 | 第41-49页 | | · PLS回归方法 | 第41-42页 | | · 混合的支持向量机回归算法 | 第42-48页 | | · 不同建模方法比较 | 第48-49页 | | · 单一二萜糖甙组分建模 | 第49-50页 | | · 甜叶菊二萜糖甙近红外光谱回归模型的应用研究 | 第50-53页 | | 5 讨论 | 第53-56页 | | · 近红外光谱变量优选 | 第53-54页 | | · 支持向量机回归算法的优化 | 第54-55页 | | · 近红外光谱预测模型的评价与应用 | 第55页 | | · 近红外光谱技术展望 | 第55-56页 | | 参考文献 | 第56-63页 | | 作者简历 | 第63
页 |
|
|
|
