一、小波潜变量回归和广义回归神经网络同时测定三组分混合物（论文文献综述）
孙禧亭[1]（2020）在《红外光谱多元分析理论、方法及应用研究》文中研究说明红外光谱能从分子水平反映物质化学组成与性质的信息,与多元分析方法结合形成红外光谱分析技术。鉴于它具备即时测定物质种类和多种物化性质的能力,已成为石油化工、农业、制药、食品、医疗等领域中不可或缺的物质内在信息感知技术,在人工智能领域极具发展潜力。但是,目前在方法学上还存在着如下若干难题,严重制约了其实际应用。（1）建模与维护问题:需要收集大量定标样品,进而参考数据测定工作量大、建模技术难度高也很费时,因此,建模成本高和周期长,严重阻碍了红外光谱快速分析在实际中的应用。（2）目前,红外光谱仅能对好透光性、组成分布均匀,以及被测组分浓度不低于5 wt‰的样品进行分析。但是,难以对组成高度相近且形态复杂、组成分布不均匀、易受环境变化影响的不同样品进行定性和定量分析。（3）在水光谱组学研究中,不同水组分（团簇）对体系具有重要作用,但是它们以及溶质的近红外光谱特征吸收峰之间存在着高度重叠,其对温度变化也很敏感,导致不同水组分的光谱解析非常困难,现有的多元分析方法已经不能有效地解决这些难题。本论文旨在解决上述红外光谱在定量分析、定性分析和多种组分重叠光谱分辨技术等方面的理论、方法和技术难题。具体研究目标包括:研究一种光谱数据库信息挖掘方法,以期解决红外光谱分定量析建模与维护的难题;研究使用“动态”光谱与图像识别技术相结合,以期实现化学组成高度相近且形态复杂不同种类样品的分类与识别;提出一种自适应加权光谱拟合的模式识别方法,以其解决环境湿度变化对易吸水样品分类与识别的影响;研究一种高斯分峰结合遗传优化的多种（3种以上）组分重叠光谱成分分辨方法,以期解决易受温度变化影响的复杂水体系研究中信号分辨的技术难题。论文的主要研究内容、结果与创新点如下:第二章光谱数据库与数据挖掘的即时定量分析方法研究。本章旨在提出一种光谱数据库信息挖掘方法,以期解决传统多元分析建模方法的工作量大、难度高、周期长、成本高等问题,使红外光谱分析技术更容易地实现物质多性质的即时测定。实验选择了红外光谱分析沥青（复杂物质）为研究对象,从炼厂收集了 431个沥青样品,使用标准测试方法测定了其蜡含量、针入度和软化点数据,同时使用衰减全反射方式采集其红外光谱。将样品划分为建库样品集和验证样品集。使用建库样品集的光谱和性质数据,构建了沥青光谱数据库。使用验证样品集对新方法性能进行了验证,获得的蜡含量、软化点和针入度的预测均方根标准误差（RMSEP）分别为0.14%、0.55℃和4.71（0.1mm）,均小于标准测试方法再现性误差,表明新方法与标准方法测定结果是一致的。与两种常用多元分析方法（偏最小二乘回归（PLS）和局部密化建模（LMD））的预测结果进行了对比,结果表明,新方法避免了 PLS方法建模与维护复杂过程,其准确度达到PLS同等水平,有效地解决了阻碍红外光谱分析实际应用的技术难题;与LMD方法相比,新方法在重复性、计算速度以及预测鲁棒性有明显改善,对处于数据库中样本密度低且分布不合理区域的样品,其预测结果更准确。第三章“动态”红外光谱与深度学习相结合的模式识别方法研究。基于红外光谱差异,结合模式识别方法,可以实现物质快速分类与识别。但是,对于形态变化大、分布不均匀,且化学组成高度接近的不同类样品,其赖以分类的光谱差异信息很弱,采用常用的模式识别方法难以将其进行有效分类与识别,是红外光谱分类与识别领域尚未解决的难题。为此,本章提出一种使用“动态”光谱结合二维相关分析构造化学图像,扩大样品差异信息,使用GoogLeNet深度神经网络图像识别模型结合迁移学习,建立了一种光谱分类与识别方法。论文选择山羊绒纺织品与山羊绒/羊毛混纺纺织品,以及纯棉与丝光棉纺织品为研究对象。对烘干样品施加水分扰动,制备了不同含水量的样本,并采集其随水含量变化的“动态”近红外光谱。对于烘干样品与不同含水量的样品,分别使用它们的原始光谱、一阶微分、二阶微分和多元散射校正光谱,依次建立了簇类独立软模式识别（SIMCA）分类模型和支持向量机（SVM）分类模型,共16个。使用新方法和动态光谱建立了分类模型。两种研究对象的结果表明,传统光谱模式识别方法预测正确率均低于80%,不能满足实际应用需求。使用新方法,山羊绒与山羊绒/羊毛混纺的整体预测正确率为92.59%,棉与丝光棉的为94.62%,满足实际应用需求。该研究将图像（二维数据）分类方法用于光谱（一维数据）分类与识别,为光谱分析研究开辟了一种新途径。新方法使用迁移学习方法,有效地解决了实际应用中红外光谱分析使用的小样本不能训练深度学习（大数据）网络结构的问题,为将先进人工智能识别技术用于解决化学分类问题,提供了一个成功示范。第四章自适应加权拟合光谱分类与识别方法的研究。对于成分高度接近且易吸水的不同种类天然样品,环境湿度变化对其红外光谱影响较大,使用常用光谱模式识别方法,不能对其进行有效分类与识别。虽然通过烘干或平衡水分方法可以改善预测准确率,但是,会使光谱分析失去即时检测的优势。为此,本章提出了一种基于自适应加权拟合光谱分类与即时识别方法,以期解决这一技术难题。实验选择了山羊绒纺织品与山羊绒-羊毛混纺纺织品分类与识别为研究对象。从市场上收集了不同颜色和质地的山羊绒、羊毛、山羊绒/羊毛混纺织物,共120个样品,使用标准方法测定其种类,制备了烘干样品和自然吸潮样品,采用便携式光谱仪采集其近红外光谱。对于烘干样品和吸潮样品,分别使用SIMCA、SVM和新方法,建立了分类与识别模型,并详细研究了常用光谱预处理方法和水分变化对模型的影响。结果表明,对于烘干样品,3种方法的预测性能处于同一水平;对于吸潮样品,新方法的性能远远优于其他方法,其山羊绒纺织品的预测准确率为93.33%,羊绒/羊毛混纺纺织品为96.60%,无须进行烘干处理,满足了实际应用要求。该研究解决了化学成分高度接近且易吸水的不同种类天然样品的即时分类与识别技术难题,具有重要的理论意义和实际价值。第五章一种高斯分峰结合遗传优化的多组分重叠光谱成分分辨方法研究。高斯分峰是一种拟合分离重叠谱带成分的典型算法,但对多组分重叠谱带的分离结果尚不理想,是光谱成分多元分辨研究热点问题之一。为此,本章建立了一种高斯分峰结合遗传优化的多组分重叠光谱分辨方法,以期解决多组分（大于3）重叠光谱分辨的难题。双亲性温敏水凝胶在生物领域极具发展前景,其相转变机理成为研究该领域的热点。该水凝胶分子同时包含亲水和疏水基团,分子内氢键和分子间氢键共存。另外,根据水组学理论,水中包含多种（6种以上）“组分”,对氢键变化敏感,因此,其温敏机理十分复杂。近红外光谱能反映含氢基团信息,适于研究温敏性水凝,但水的近红外谱带宽,不同水组分的谱带高度重叠。使用常用多元分辨方法仅能分辨2-3种水组分,难以解析更多种水组分光谱,阻碍了对相转变机理的深入研究。本章以ABA型三嵌段水凝胶溶液为研究对象,原位在线采集了其溶胶-凝胶相转变过程的温度扰动近红外光谱;应用新方法,成功地解析出6种不同水组分的近红外谱带;定量研究了相转变过程中各水组分含量的变化规律,揭示了S1和S2型水组分为相转变提供驱动力的机理。该研究不仅建立了一种多组分重叠谱带多元分辨的新方法,而且也为水凝胶相转变机理研究提供了一种新手段,对于调控水凝胶分子设计、指导水凝胶产品实际应用具有重要意义。
顾洪亮[2]（2020）在《树轮气候信息提取方法研究 ——以模拟和实测树轮数据分析为例》文中提出树轮作为过去气候变化研究的代用指标已被广泛应用。当前的研究呈现多种树轮指标（宽度、稳定同位素、密度等）、多维气候因子（气温、降水、相对湿度、热量指数、ENSO、SPEI、sc PDSI、NDVI等）、多样数理分析方法（线性、非线性等）和多时空尺度（年、季、月、日,全球、区域、局地等）交互的特点。一些研究发现,对于同样的数据,不同的分析方法会得到不同的结果。如何科学高效地分析它们的变化特征和相互关系,合理准确地提取气候变化信息,是树轮气候领域面临急需解决的重要问题。正是在这一背景需求下,本文以实测树轮数据和模拟数据为基础,面向R语言进行树轮气候信息提取方法的比较研究,以期为树轮气候信息更准确、高效的提取提供方法支持和策略选择依据。其中实测数据包括我国亚热带6个不同地区采集的286棵马尾松的不同宽度指标（全轮、早材、晚材）、不同组分（全木、α纤维素、综纤维素）稳定碳同位素数据,以及公开发表的树轮数据和国际树轮数据库数据,从更大区域和更大样本量的方向评估树轮-气候信息提取方法。最终取得如下一些新的认识。1. 树轮宽度研究中,首先需要去除非气候生长趋势。现在常用的去趋势方法有各自的不足,如负指数法可能会出现拟合失败和丢失低频气候信号问题;Spline、RCS、signal-free RCS法面临人为选择截断区间的问题。而基于时间序列的互补集成经验模态分解法（CEEMD）完全以数据为中心进行不同频率的信号分解,避免了人为因素,建立的模拟年表数据对比结果表明对“低频信号丢失”问题有一定的减轻。建立的实测树轮年表数据的相位变化与常用去趋势法（如负指数、Spline、signal-free RCS等）相对一致,与各气候因子的相关系数的平均值有一定的提高。基于大区域格网气象数据及其近邻的树轮宽度数据进行点-点主成分回归分析的结果表明,CEEMD的模型评估指标（VRSQ、VRE、VCE）与其他去趋势法差距微小。从时序信号理论来看,相较于先验基函数模型,这种基于数据本身的自适应“无基”时序分解法,在树轮气候研究中具有很好的应用潜力。2. 传统相关方法（Pearson、Kendall、Spearman）定量分析树轮-气候变量间的相关关系时,往往只对线性或单调相关关系起作用,易受异常值和样本量影响,鲁棒性不高。本文利用模拟数据和已公开发表的树轮数据对传统和现代相关方法（互信息、距离相关、最大信息系数、Hoeffding‘s D等）进行比较分析,发现对于同一数据集,不同的相关分析量化的相关系数有一定的差异。距离相关和互信息方法不仅在量化树轮-气候线性相关关系时具有与Pearson相关大致相当的性能,而且还适用于非线性相关分析,可作为树轮-气候相关分析的辅助方法。3. 非平稳的树轮气候时间序列和气候变量间的共线性可能引起虚假回归问题和特征变量信息冗余,从而为树轮气候回归模型的构建带来不确定性。通过对全球67414个CRUts4.03格网点进行非平稳检验,发现均温因子在全球约58%的格网点表现为显着的非平稳变化,而显着平稳变化的格网点主要集中在北纬40°–70°之间;降水因子约15%的格网点表现为显着非平稳变化,其趋势显着非平稳变化格网点主要集中在北半球区域。因此,在进行树轮气候时序回归分析时,需关注平稳性检验和平稳化处理,以降低重建模型的不确定性。针对特征变量选择问题,本文以模拟数据和美国科罗拉多河上游的树轮宽度数据为例,发现基于信息熵的偏互信息相关算法遴选关系显着的特征变量,不仅能减轻信息冗余问题,且能遴选出非线性相关的变量,拟合优度优于逐步回归方法。4. 基于线性（MLR、MT）和非线性（BRNN、RF）方法,选用不同时间分辨率（日值、月值）的气候因子建立树轮宽度-气候响应模型,对比发现BRNN和MLR方法优于MT、RF方法。相较于月值气候数据,利用日值数据分析,回归模型最大方差解释量有一定的提高。5. 面对全球尺度的格网树轮气候数据,必需求解近邻点间的距离。但是对于大量的数据集,如何快速高效的求解是需要解决的问题。本课题引入Hash算法,基于R语言编写的函数代码不仅能对大数据集快速求解,而且准确度高。6. 通过对马尾松不同轮宽指标（全轮、早材、晚材）、不同组分稳定碳同位素（全木、α纤维素、综纤维素）与各气候因子的月、季节相关和时间稳定性特征分析,为我国亚热带地区树轮气候研究中代用指标选择提供了参考价值。结果表明,同一样区三种轮宽年表响应气候模式较为一致,细分早晚材宽度指标对于提取更多气候信号作用不大。在不同研究区,最为显着影响马尾松树轮宽度的气候因子不同。三种组分的δ13C年变化模式较为相似,与同一气候因子的相关系数相位相同。这表明利用马尾松树轮的δ13C进行气候研究工作时,无需进行比较耗时的纤维素提取。三种组分的δ13C均值在所有研究区均表现出与夏秋季节的相对湿度显着负相关关系。从更大范围内来看,在不同气候环境下,同一时间区间,相较于宽度指标,马尾松的稳定碳同位素响应的气候信号更强,轮宽指标储存的显着性气候信号在更大区域上表征不同。这些新的认识,为科学高效提取树轮气候信息提供了新的依据和方法,对于推进树轮气候学研究具有重要的理论和实践意义。
王涛[3]（2020）在《基于光谱技术的土壤理化信息检测方法研究》文中指出土壤是人类赖以生存的自然资源,是农业最基本的生产资料,应用先进的技术手段准确测量土壤各项理化指标,对理解和提高土壤生产潜力具有重要意义。土壤的质地类型是土壤保肥、保水、通气能力的重要指标,准确的测定土壤质地的类型,可以为土壤资源的合理利用与开发提供科学根据。作物的生长离不开土壤营养元素的供给,土壤养分状况的准确检测,对确定施肥种类与施肥水平具有重要的指导意义,对避免化学肥料的滥用以及土地资源的保护具有不可替代的作用。土壤中重金属含量的检测可以为作物安全生产提供保障,避免重金属通过作物的富集作用进入人类食物链,从而危害人类健康。土壤中作物根系的生长状况直接反映了作物本身的对土壤中养分的敏感程度,对土壤根系的准确动态监测,对筛选优势基因型的作物具有重要意义。本文研究了基于多种光谱与光谱成像技术的土壤理化性质检测方法,并且开发了一款土壤理化性质检测系统。具体内容涉及以下几个部分:（1）提出了基于XGBoost的近红外高光谱土壤理化性质检测方法。在高光谱数据预处理阶段,采用特定谱线位置的斜率阈值法自动选取感兴趣区域,相比以往手动选取的情况,效率大幅提升。引入XGBoost算法对样本平均谱线建模,有效解决了样本数量小,光谱特征较多的情况下建模容易过拟合的问题,使预测模型鲁棒性更强。此外,XGBoost算法可在特征维度对建模效果进行贡献度排序,对研究分析待测物的特征波长具有指导意义。结果表明,利用近红外高光谱对土壤总氮、有机物含量的预测效果良好,最佳模型在预测集的决定系数均在0.84以上,RPD在2.0以上;而对土壤p H、EC的检测精度有待提高。（2）提出了基于拉曼光谱以及显微图像对土壤质地的判定方法。基于拉曼光谱,在外部荧光的影响下,量化了谱线平滑的实际效用,采用多项式拟合的方法去除背景基线,并采用XGBoost算法对样本谱线建模。结果表明,谱线与土壤质地之间具有一定的相关性,F1得分为0.64。基于显微图像,采用基于卷积神经网络（CNN）的集成学习方法,在少量图像样本的前提下,消除随机样本所带来的影响,采用有放回抽样的方式结合模型投票以增强预测精度,F1得分最高为0.50,距离精准预测尚有一定距离。（3）研究了基于LIBS的土壤重金属定量检测的多种建模方法。预处理阶段,对比了小波变换降噪以及多项式基线拟合两种方法对后续建模的影响。建模阶段,基于Cu、Ni、Cr和Pb四种受测元素,对比了单变量及多变量分析的建模效果,其中多变量分析细分为基于强发射谱线、基于强发射谱线及周边特征以及基于全谱的三类建模情况。总结出具有特征降维功能的多变量分析算法,如PCR和LASSO,同比单变量分析,对重金属含量预测更有效。针对四种元素,均取得良好的预测效果,最优决定系数R2分别为0.94、0.93、0.91和0.89。此外,LASSO还可以通过正则惩罚项,在光谱维度对特征发射线进行选择,从数据分析的结果出发,为LIBS谱线提供更多的解释性。（4）基于CNN构建了土壤复杂背景下的自动化、快速作物根系分割模型,名为Seg Rootm-n。其中m和n分别为宽度和深度,为控制网络容量的两个超参,综合权衡了参数量和分割精度,提出了性价比最高的模型Seg Root-8-5,并作为基准模型。该模型可以在不具备高级GPU的电脑主机上仅用CPU进行自动快速的分割预测。提出了量化评估分割结果的指标骰子得分（Dice score）,基准模型在测试集上的骰子得分为0.6441。在此基础上,采用基准模型的预测二值化掩膜,建立了土壤根系总长估计模型,预测总长和人工计数总长的决定系数高达0.98。（5）开发了一款用于土壤的理化性质检测低成本、便携式的无线近红外检测系统,名为See Soil。该系统的检测设备体积小（110×80×50 mm）,重量仅为500g,集成性强,仅需一台设备,无需任何外部设备（电源、光源及数据处理PC等）就可以进行检测,特别适用于土壤的田间原位检测。系统可通过Wi-Fi连接互联网,用户可以通过系统物理按键和本地及远程网页对检测系统进行控制。采用See Soil系统对土壤数据集的土壤理化性质进行评估检测,结果表明,其对有机质含量预测性能良好,模型在预测集的决定系数为0.64;对土壤总氮的预测性能优异,决定系数为0.84。
李哲[4]（2016）在《光谱化学计量分析方法及其在舌诊的应用》文中研究指明近红外光谱是一种弱吸收谱,在测量分析过程中容易受到诸多因素的影响,不仅包括外界因素,而且包括与样本自身性质特征密切相关的干扰因素。此外,还需要克服由于人体的复杂多变性和个体差异等诸多不确定因素带来的影响。如何处理和利用这些因素,不仅是建立稳健的校正模型以及提高模型预测能力的关键,而且是近红外光谱分析技术进入临床应用的关键。本论文探究了近红外光谱分析过程中各类因素的影响,并系统地将其加以分类,给出了一个应对各类因素的策略,即“M+N”理论。在该理论的指导下,论文对可能会遇到的几种因素（非目标组分、光源电压、温度等）进行了分析与讨论,借助这些因素提出了多种提高校正模型预测能力的方法,并应用到光谱法舌诊的临床实验中。（一）提出了光源电压因素用于提高校正模型预测能力的方法。通过实测变电压光源光谱数据与多组分线性吸收谱仿真模型相结合的方法,验证了该方法用于提高校正模型预测能力可行性。（二）提出了基于温度与光谱关系的定量分析方法。实验结果表明了温度与光谱间关系的存在,并且验证了通过温度与光谱关系的差异可以对样本组分进行定量分析,为研究温度对近红外光谱的影响提供一个新方法。（三）提出了一个校正样本选择的方法,在选择样本时不仅考虑光谱空间、目标变量空间的影响,而且考虑外界因素和内在特征空间的影响。通过两组经典的光谱数据集,从外界因素变量和内在特征变量两个角度验证了所提出方法的可行性与优越性。（四）首次将光谱法舌诊应用到血清胆红素的无创检测中,并取得了较好临床效果。实验结果验证了该方法的可行性,并为其它血液成分的无创检测开辟了新路径。（五）提出了WP-mUVE-LSSVM方法,该方法既可以同时扣除光谱分析中背景与噪声的干扰,又具有非线性功能可以建立稳健的校正模型。首次将该方法应用到糖尿病的快速筛查以及血糖的无创检测中,取得较好的临床效果。论文从基础理论的研究方法着手,以化学计量学方法为依据,分别从外界干扰因素与样本内部特征因素两个方面提出了多种提高校正模型预测能力的方法。并将上述方法应用到光谱法舌诊临床实验中,为光谱法舌诊真正进入临床应用提供了基础,同时对近红外光谱分析技术中其他因素的影响提供了参考与借鉴。
王丽媛[5]（2014）在《基于荧光法的多环芳烃检测技术及实验研究》文中指出环境污染问题是一项全球性问题，包括：大气污染、水污染、土壤污染。造成环境污染的物质有很多种，多环芳烃是其中分布最广、潜伏期最长、具有强致癌性的一种。实时监测环境中多环芳烃的含量，对环境污染的防治具有重要意义。采用荧光光谱法对有强荧光效应的多环芳烃进行检测和辨识，对环保事业的发展起到了推动作用。但由于多环芳烃具有大量的同分异构体，混合溶液的荧光光谱重叠现象严重，因此采用单一的荧光光谱法很难将溶液中各组分含量检测出来。本课题将化学计量学方法与荧光光谱法相结合对多环芳烃混合物进行定性和定量分析，并通过实验验证了方法的有效性。本课题首先对国内外多环芳烃检测现状进行了深入研究，然后将小波变换和神经网络相结合用于多环芳烃混合溶液荧光光谱的辨识，针对光谱重叠严重的情况，提出了首先选择小波阈值函数对荧光光谱数据进行去噪处理，然后将去噪后的数据作为径向基神经函数网络的输入数据对混合溶液的荧光光谱进行辨识，实验结果证明了该方法的有效性。由于神经网络的输入是小波去噪后的数据，不仅提取了原始数据中的特征数据，而且使神经网络的输入维数明显减少，有效提高了多环芳烃的辨识速度。
王锋[6]（2013）在《化学计量学在水产品质量检测分析中的研究》文中研究指明根据化学计量学方法能选择最优测量方法，最有效地获取体系有用的特征数据，并通过解析量测数据最大限度地从中提取有关物质的定性、定量、形态、结构等信息的显着功能，本文将其与分析仪器和计算机图像处理方法相结合，研究用于食品营养成分分析和品质检测中，探索出新的水产品质量检测方法。本课题主要研究内容及结果如下：1化学计量学在三种虾体氨基酸水解液检测中的应用蛋白质类食品中的氨基酸特别是必需氨基酸的含量是衡量蛋白质类食品营养价值高低的重要评价指标。本文试验用极限学习机（extreme learning machine,ELM）-紫外光谱法、误差反向传播算法（back propagation,BP）-紫外光谱法、径向基函数（radicalbasis function,RBF）-紫外光谱法，以氨基酸分析仪测定南美白对虾、水培虾、竹节虾体肌肉蛋白质水解液所得数据为依据来检测虾体水解液中的三种氨基酸（苯丙氨酸、酪氨酸和组氨酸）含量，并比较了ELM、BP、RBF模型预测性能的优越性。预测结果均方根误差：ELM为3.9667e-007，BP为7.0938，RBF为5.2379e-004；决定性系数R2平均值：ELM为9.42069，BP为8.76012，RBF为8.80471。实验结果说明BP、RBF二种方法检测虾体水解液中的三种氨基酸（苯丙氨酸、酪氨酸和组氨酸）含量有较大的误差，而ELM预测精度高，分析速度更快，能为相关食品中氨基酸含量检测提供参考，也即可为食品品质分析研究提供新思路。2化学计量学与计算机图像处理技术在鱼新鲜度快速检测中的研究尝试探索新的鲫鱼新鲜度快速检测方法；常用的鱼新鲜度的感官鉴别方法，表明鱼眼的清晰度、光泽度、颜色等等的变化与鱼的新鲜度有着非常显着的关系；用数码相机拍摄保存期间各时段鱼眼数字图像，应用计算机图像处理技术获取保存期间各时段鲫鱼鱼眼数字图像的信号强度，与反映鱼新鲜度的鱼肉pH值、电导率、挥发性盐基总氮（total volatile basic nitrogen,TVBN）三个变量分别用偏最小二乘回归（partial leastsquares method,PLS）和支持向量机回归方法（support vector machine regression,SVR）建立两种鲫鱼新鲜度检测模型，通过模型分析鱼眼图像“信号强度”变化与鱼肉pH测定值、电导率、TVBN三个变量间的相关性；实验发现：用PLS的主成分分析方法得到鱼眼图像“信号强度”变化与鱼肉pH测定值、电导率、TVBN三个变量间的复相关系数R为0.9737，说明鲫鱼眼图像“信号强度”可试验作为检测鲫鱼新鲜度的指标；PLS模型所得的信号强度的观测值与预测值都在拟合线上分布，相关系数R为0.9976,SVR模型的训练集和测试集的均方根误差分别为0.00025和0.0012，R2分别达到0.999和0.995；两种方法都可以试验作为对鱼新鲜度进行快速准确检测的方法。
王凡凡[7]（2011）在《水环境体系中信号严重重叠的多种环境污染物的测定与辨识》文中研究表明本文根据正交信号校正（OSC）、直接正交信号校正（DOSC）、小波包变换（WPT）及偏最小二乘法（PLS）的算法原理研制了名为POSCWPTPLS及PDOSCWPTPLS的程序,该法利用DOSC或OSC有效去除与浓度无关的结构噪音,又利用WPT改善了除噪和特征信息的提取能力,从而提高了PLS的预测能力。将此两种程序分别与紫外分光光度法、微分脉冲伏安法及荧光分析法相结合,用于同时测定不经预处理信号严重重叠的多组分污染物混合体系。并将三种化学计量学方法（OSC-WPT-PLS或DOSC-WPT-PLS、WPT-PLS、PLS）进行比较。本文共对四组多组分污染物体系进行了研究。（1）采用紫外分光光度法测定铝-铁-铜重金属污染物体系。三种金属离子的总相对预测标准偏差分别为3.57%,4.87%,4.91%。（2）采用微分脉冲伏安法测定2,5-二硝基酚、间硝基酚及对硝基酚酚类有机污染物体系。采用三种化学计量学法测定的总相对预测标准偏差分别为3.76%,7.39%及7.89%。（3）采用荧光分析法测定萘、1-萘酚和2-萘酚多组分体系。三种化合物的总相对预测标准偏差分别为3.31%,5.87%及6.71%。并将该法用于自来水以及两种废水的分析,取得了良好的效果,回收率分别为97.4-102.0%,97.6-100.7%和91.8-104.6%。（4）采用荧光分析法测定萘、菲、蒽多环芳烃多组分体系。三种方法的总相对预测标准偏差分别为2.67%,7.11%及8.25%。将该法用于自来水以及两种废水的分析,回收率分别为94.6-107.2%,85.2～112.3%和86.4～106.6%。试验结果表明,OSC-WPT-PLS及DOSC-WPT-PLS际水样的测定中亦取得了良好的效果。
刘波平[8]（2011）在《近红外光谱技术在多组分检测及模式识别中的应用研究》文中进行了进一步梳理本文通过近红外光谱技术结合化学计量学手段分别对食品、饲料和复合肥等多组分含量的快速检测以及模型识别判别分析进行了较为深入的方法研究。文中所建立的方法成功应用于产品分析和质量控制,发挥了近红外光谱技术快速、准确和实用的优势。同时,化学计量学方法在具体问题的解决中,也得到发展。由于产品中成分复杂,相互干扰严重,用于分析的近红外光谱吸光度差异通常很小、信号弱、吸收峰之间混叠,且谱峰宽。以致于找不到待测组分不受任何干扰的特征峰,使对产品中多组分同时定量和识别分析较为困难。为此,提出了PLS,KPLS, PLS-BP, GRNN和ELMAN方法建立线性和非线性多组分定量模型和PCA-马氏距离建立模式识别模型,本文的主要研究内容如下：1、偏最小二乘近红外光谱技术在多组分分析中的应用与研究本文建立了近红外光谱PLS法对瘦肉7种脂肪酸含量测定的方法,在建立PLS模性时,需对采集的原始光谱进行数学处理,以过滤噪音、提高信噪比。实验表明,光散射是影响近红外光谱的主要因素。同时,PLS提取主成分时,因其能同时将因变量矩阵和自变量矩阵用主成分表示,可以有效地降维,消除自变量间可能存在的复共线关系,而明显改善数据结果的可靠性和准确度。本研究还用核函数建立以复合肥中N、P2O5、K 2O三组分为对象的KPLS非线性多组分模型,KPLS通过非线性映射到高维数空间提取了光谱中掩藏的非线性信息。相对于PLS线性体系,KPLS对多组分的含量预测准确度和相关性都有提高。尤其对P2O5、K2O含量的预测提高更明显。2、偏最小二乘与BP神经网络用于近红外光谱技术多组分定量分析研究为解决BP网络过拟合、以及学习速度慢等问题,用PLS对输入BP网络的光谱数据进行压缩,建立了PLS-BP法同时测定饲料中水分、灰分、蛋白质、磷四组分含量和饲料中四种氨基酸含量的方法。与BP法比较,PLS-BP输入网络的数据减少,大大提高运算速度和减少训练次数,模型的预测精度也好于BP模型。本研究还提出了用PLS提取光谱X和组分Y的主成分及权重,解决近红外光谱BP模型隐含层节点数,输入和输出层初始权值凭经验选取问题。建立了以土豆中粗纤维、淀粉、蛋白质三种营养组分含量的PLS-BP近红外光谱多组分预测模型,这种经PLS和BP组合的网络较BP网络改进了训练效果,使得运算速度加快,网络达到最优,精度也更高。这一研究对近红外光谱BP网络结构的建立,具有一定的理论和指导意义。3、偏最小二乘与广义回归神经网络用于近红外光谱技术多组分定量分析研究提出了将GRNN方法引入近红外光谱多组分分析中,用PLS对输入网络的光谱数据进行压缩,建立了饲料中水溶性氯化物、粗纤维、脂肪三组分含量测定方法。PLS-GRNN与BP、GRNN网络进行比较,PLS-GRNN, GRNN模型训练步数要明显少于BP网络,训练时间也短。PLS-GRNN要比GRNN和BP网络的预测精度和拟合性能更好。应用该法还成功预测了南丰蜜桔总糖、总酸含量,这一研究为近红外光谱多组分分析提供了一种新的途径。4、基于Elman神经网络的近红外光谱技术多组分定量分析研究发展了Elman网络与近红外光谱分析技术的结合,提出把具有动态信息处理能力的Elman网络模型引入近红外光谱多组分分析中,经PLS压缩提取主成分,加入内部反馈信号,增加了Elman网络本身处理动态信息的能力,使得Elman网络在节点结构更简单,从而提高了建模和预测速度。在饲料苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四组分含量测定中,对BP和Elman网络进行了比较,在BP和Elman两模型学习误差相同,Elman网络拟和残差平均值MRE也不如BP模型下,Elman网络网络预报精度却高。说明ELman网络对动态系统具有适应时变特性的能力。应用该法还成功预测了鲜乳中脂肪、蛋白质、乳糖含量,表明Elman神经网络是一种新颖、可靠的预测方法。这为同时测定近红外光重叠的多组分动态非线性体系提供了新的途径。5、近红外光谱技术联用PCA-马氏距离对掺假乳的鉴别以PCA-马氏距离近红外光谱法建立了巴氏杀菌乳和复原乳、鲜乳和分别掺有植物奶油、乳清粉假乳的判别分析模型。确立了最佳建模条件,对掺假复原乳0.50%-100%,植物奶油0.50%-10%,乳清粉0.20%-3.3%的样品判别成功率达100%。为鉴别掺有植物奶油和乳清粉的假乳探索了一个新方法。
陈燕清[9]（2010）在《化学计量学在食品分类鉴别及防腐剂含量分析中的应用》文中研究说明食品真实性鉴别和食品中的危害物质分析是食品质量与安全控制中两个重要的研究内容,关系到消费者切身利益和身体健康。研究快速有效的食品质量鉴别、分类和有毒有害物质分析技术具有重要的现实意义。化学计量学运用数学、统计学、计算机科学及其它相关科学的理论与方法,优化化学测量过程,分辨复杂波谱,最大限度从化学测量数据中获得有用的化学分类信息,是一门化学测量的理论与方法学。将化学计量学结合现代分析技术应用在食品质量与安全控制中,为食品安全与检测提供了新方法。本论文共分为六章。主要研究了将化学计量学模式识别方法结合可见-红外、原子吸收、同步荧光等分析技术,应用于不同种类和产地的酱油、食醋和料酒的分类鉴别；将多元校正技术结合紫外-可见分光光度法应用于食品防腐剂多组分重叠光谱解析和同时测定。第一章介绍了食品质量研究中常用的一些化学模式识别方法（聚类分析、主成分分析、判别分析）的基本原理,并介绍了模式识别结合红外、原子吸收、原子发射、气相色谱、液相色谱、质谱、传感器等检测技术在食品质量控制中的应用；介绍了多元校正技术（偏最小二乘、主成分回归、平行因子等）和人工神经网络在食品分析中的原理及应用,指出了化学计量学方法在食品质量控制和食品分析中的应用前景。第二章研究了以酱油的9个理化指标为变量,采用模式识别方法对不同种类和品牌酱油进行分类和质量鉴别。收集了三个不同品牌的53个酱油样品,其中26个生抽,27个老抽样品。通过化学方法测定了酱油的9个理化参数值（密度、酸度、总固形物、灰分、电导、氨基酸氮、食盐、粘度及总酸）作为酱油样品的特征变量。采用夹角余弦法计算了不同样品之间的相似度,评价产品质量的稳定信息和不同品牌样品的区分度。结果表明相似度法对判断酱油质量的的稳定性有一定作用,而对酱油品牌的区分有一定的局限性。聚类分析和主成分分析探讨不同品牌和种类酱油区分的可行性,结果显示不同品牌和种类的酱油能各自聚在一起,表明本研究所选择的变量的有效性。分别采用偏最小二乘、线性判别和K-最邻近法三种判别模型对预报集中酱油的品牌和种类进行判断,结果表明三种模型均能很好的判断酱油的品牌和种类。在建立线性判别和K-最邻近法判别模型前,采用Fisher权重法计算不同变量对酱油分类的贡献大小,采用交叉验证法计算变量个数对线性判别判断准确率关系曲线,得到前7个贡献大的变量对预报集中酱油的品牌和种类判断的准确率能达到100%,即选择密度、固形物、总酸、pH、氯化钠、电导、灰分的测量数据建立数据矩阵。第三章研究分别以食醋中8种微量元素含量值和5个理化指标值为变量,探讨模式识别方法对不同种类和产地食醋进行分类鉴别的可行性。实验购买4个不同品牌29个食醋样品,包括陈醋和白醋。采用原子吸收分光光度法测食醋中8种微量元素含量,化学方法测定食醋5个理化指标值,组成测量数据矩阵。采用向量相似法计算不同品牌和种类食醋的质量稳定性信息,研究两种不同类型变量（金属元素含量和理化指标值）对食醋的区分效果。主成分分析分别用理化指标、金属元素含量值及理化指标和金属元素含量的混合数据为变量,以其得出两种不同类型变量对食醋种类和品牌区分的贡献。从13个变量的载荷图可以得出,金属元素为变量对7个样品类别区分的贡献比5个理化指标的贡献大。在由PC1-PC2-PC3前三个主成分构成的三维得分图中,32个样本按种类和品牌被成功的区分为7组。采用夹角余弦计算样品的距离,32个样本能得到很好的聚类效果。采用建立的偏最小二乘和径向基人工神经网络判别模型分别对测试集进行种类预报,预报准确度分别达到100%和93%。第四章测定不同品牌料酒的可见-近红外光谱,建立模式识别方法对料酒品牌区分的新方法。实验购买了3个不同品牌共37个料酒样品,测定400-1400nm波长范围的可见近红外的吸收光谱,分别采用一阶导数法和小波变换技术对料酒的可见-近红外光谱数据去噪和压缩处理。探讨了小波分解尺度对光谱信号的影响,最后选择二阶的Daubechies （db2）小波函数、分解尺度5对原始光谱数据进行处理。对原始光谱数据、一阶导数法和小波变换技术处理后的数据进行主成分分析,比较了模糊聚类的效果。结果表明,小波变换能够有效去除光谱噪音和压缩光谱变量,得到较好的聚类效果。采用偏最小二乘和人工神经网络预报模型对料酒的品牌进行判断,预报正确率均为100%。第五章测定料酒的三维同步荧光,提取特征荧光变量,建立模式识别方法对料酒品牌区分的新方法。分别采用主成分分析降维和小波变换的方法提取三维荧光的特征变量。主成分分析取第一主成分作为料酒的荧光特征变量。通过比较小波分解尺度对光谱信号的影响的结果,最后选择二阶的Daubechies（db2）小波分解尺度4对原始的光谱数据进行处理,该方法能很好的压缩和保留原始的荧光信息。对主成分降维和小波变换的方法提取三维荧光的特征变量进行主成分分析和聚类分析,小波变换法能更好的对样品品牌进行区分。采用偏最小二乘和人工神经网络预报模型对料酒的品牌进行判断,预报正确率均为100%。第六章研究了多元校正技术和人工神经网络等化学计量学方法解析光谱严重重叠的苯甲酸、对羟基苯甲酸甲酯、对羟基苯甲酸丙酯和山梨酸四种防腐剂的紫外吸收光谱,建立了同时测定四种防腐剂的新方法。考察酸度对吸收光谱的影响,发现在酸性溶液中,四种防腐剂的测定灵敏度较高。选择在pH 2.09的B-R缓冲溶液中,对四种防腐剂进行同时测定。在优化的酸度条件下苯甲酸、对羟基苯甲酸甲酯、对羟基苯甲酸丙酯单组分的线性范围为0.5-20μg mL-1,山梨的线性范围为0.25～10μg mL-1。四种防腐剂的检测限分别为0.22μg mL-1,0.19μg mL-1,0.17μg mL-1,0.085μg mL-1。采用多种校正模型(经典最小二乘（CLS）、偏最小二乘（PLS）、主成分回归（PCR）、一阶导经典最小二乘（DCLS）、一阶导偏最小二乘（DPLS）、一阶导主成分回归（DPCR）及径向基人工神经网络（RBF-ANN）对四组分的合成样预报集浓度预报。结果表明,建立的校正模型均有较好的预报能力,相对预报误差（RPET）小于10%。其中,PCR、DPCR和RBF-ANN的预报误差相对较小,预报误差分别为4.53%,4.55%和4.67%。用建立的PCR和RBF-ANN模型结合光度法对实际样品中四种防腐剂直接同时测定,获得满意结果。
高玲,李小平,任守信[10]（2007）在《用小波包变换广义回归神经网络法处理硝基苯胺异构体重叠紫外吸收光谱》文中研究表明开发了一种小波包变换广义回归神经网络（WPTGRNN）法,用于处理对硝基苯胺、邻硝基苯胺和间硝基苯胺重叠的紫外吸收光谱,达到不经预先化学分离进行同时测定的目的。WPTGRNN法结合小波包变换和广义回归神经网络（GRNN）的特点,改进除噪质量和预测能力。通过最佳化实验,选择了小波函数、小波包分解水平及GRNN的平滑因子。实验结果表明,WPTGRNN法的预测标准误差为1.08μg/mL,预测相对标准误差为4.20%,与小波变换广义回归神经网络、广义回归神经网络和主组分回归3种方法进行比较,WPTGRNN法优于其他3种方法。
二、小波潜变量回归和广义回归神经网络同时测定三组分混合物（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波潜变量回归和广义回归神经网络同时测定三组分混合物（论文提纲范文）
（1）红外光谱多元分析理论、方法及应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 红外光谱技术 |
| 1.2.1 红外光谱技术发展历程 |
| 1.2.2 红外光谱技术原理与特点 |
| 1.3 红外光谱技术的多元分析方法 |
| 1.3.1 红外光谱多元分析方法概述 |
| 1.3.2 预处理方法 |
| 1.3.3 主成分分析 |
| 1.3.4 偏最小二乘回归 |
| 1.3.5 独立簇类软模式识别 |
| 1.3.6 支持向量机 |
| 1.3.7 二维相关光谱分析 |
| 1.3.8 人工神经网络 |
| 1.4 红外光谱多元分析方法及应用研究进展 |
| 1.4.1 红外光谱定量分析方法及应用研究进展 |
| 1.4.2 红外光谱定性分析方法及应用研究进展 |
| 1.4.3 红外光谱多元分辨方法及应用研究进展 |
| 1.5 本课题研究内容概述 |
| 第二章 红外光谱沥青多种性质即时分析方法研究 |
| 2.1 引言 |
| 2.2 理论部分 |
| 2.3 实验部分 |
| 2.3.1 样品收集 |
| 2.3.2 红外光谱采集 |
| 2.3.3 沥青光谱数据库 |
| 2.3.4 评价指标 |
| 2.3.5 数据处理 |
| 2.4 结果与讨论 |
| 2.4.1 光谱分析 |
| 2.4.2 PLS模型 |
| 2.4.3 LMD方法 |
| 2.4.4 光谱数据库信息挖掘即时定量分析方法 |
| 2.4.5 方法性能评价 |
| 2.5 本章小结 |
| 第三章 “动态”红外光谱与深度学习相结合的模式识别方法研究 |
| 3.1 引言 |
| 3.2 理论部分 |
| 3.2.1 构造化学图像 |
| 3.2.2 迁移学习 |
| 3.2.3 评价指标 |
| 3.3 实验部分 |
| 3.3.1 实验材料及制备方法 |
| 3.3.2 光谱采集 |
| 3.3.3 数据处理方法 |
| 3.4 结果与讨论 |
| 3.4.1 光谱分析 |
| 3.4.2 常用模式识别方法比较 |
| 3.4.3 水分扰动红外光谱 |
| 3.4.4 红外光谱化学图像 |
| 3.4.5 基于深度学习的红外光谱化学图像判别 |
| 3.5 本章小结 |
| 第四章 红外光谱鉴别山羊绒纺织品真伪的新方法研究 |
| 4.1 引言 |
| 4.2 理论与算法部分 |
| 4.2.1 理论 |
| 4.2.2 算法 |
| 4.3 实验部分 |
| 4.3.1 样品收集 |
| 4.3.2 样品制备 |
| 4.3.3 光谱采集 |
| 4.3.4 数据处理 |
| 4.4 结果与讨论 |
| 4.4.1 光谱分析 |
| 4.4.2 SIMCA模型 |
| 4.4.3 SVM模型 |
| 4.4.4 新方法鉴别 |
| 4.4.5 应用 |
| 4.5 本章小结 |
| 第五章 温度扰动近红外光谱研究双亲性温敏水凝胶相转变机理 |
| 5.1 引言 |
| 5.2 理论部分 |
| 5.3 实验部分 |
| 5.3.1 实验材料 |
| 5.3.2 光谱采集 |
| 5.3.3 光谱处理 |
| 5.3.4 软件 |
| 5.4 结果与讨论 |
| 5.4.1 光谱分析 |
| 5.4.2 相转变中水的结构变化 |
| 5.4.3 高斯分峰 |
| 5.4.4 相转变中水组分的变化 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要内容 |
| 6.2 论文主要创新点 |
| 6.3 工作展望 |
| 参考文献 |
| 研究成果及发表的学术论文 |
| 致谢 |
| 作者及导师简介 |
| 附件 |
（2）树轮气候信息提取方法研究 ——以模拟和实测树轮数据分析为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 树轮气候数据预处理方法研究意义 |
| 1.1.3 树轮气候数据遴选方法研究意义 |
| 1.1.4 树轮气候重建方法对比研究意义 |
| 1.1.5 我国亚热带湿润地区同一树种不同树轮指标对比研究意义 |
| 1.2 国内外研究现状与趋势 |
| 1.2.1 基于中文期刊数据库的文献计量分析 |
| 1.2.2 树轮宽度-气候关系研究进展 |
| 1.2.3 树轮稳定碳同位素-气候关系研究进展 |
| 1.2.4 树轮气候重建的线性与非线性方法研究进展 |
| 1.2.5 树轮气候学的时频分析方法研究进展 |
| 1.2.6 马尾松树轮气候关系研究进展 |
| 1.2.7 R语言在树轮气候学研究进展 |
| 1.3 研究内容 |
| 1.4 技术路线和R语言包思维导图 |
| 第2章 树轮气候信息提取方法研究的来源数据 |
| 2.1 我国亚热带地区马尾松树轮及气候数据 |
| 2.1.1 研究区概况 |
| 2.1.2 马尾松生长的气候环境数据 |
| 2.1.3 野外采样 |
| 2.1.4 树轮宽度数据测定 |
| 2.1.5 碳同位素数据测定与校正 |
| 2.1.6 不同宽度年表统计分析 |
| 2.1.7 不同树轮宽度指数差异性定量评价 |
| 2.2 国际树轮数据库数据及气候数据 |
| 2.2.1 基于ITRDB的信息提取和挖掘 |
| 2.2.2 历史时期以来降水观测站和sc PDSI站点分析 |
| 2.2.3 CRUts4.03 数据集的非平稳检验 |
| 第3章 不同去趋势方法对比 |
| 3.1 常用的主要去趋势方法 |
| 3.1.1 保守去趋势方法 |
| 3.1.2 BAI法 |
| 3.1.3 RCS法 |
| 3.1.4 signal-free法 |
| 3.1.5 时间序列成分提取法 |
| 3.2 树轮宽度模拟数据的不同去趋势方法对比 |
| 3.3 西黄松树轮序列的不同去趋势方法对比 |
| 3.4 马尾松轮宽数据的不同去趋势方法对比 |
| 3.4.1 保守去趋势法建立的年表对比 |
| 3.4.2 保守去趋势法的年表与气候因子的相关性对比 |
| 3.4.3 CEEMD分解马尾松宽度序列 |
| 3.4.4 CEEMD方法的马尾松轮宽年表-气候相关分析 |
| 3.5 基于ITRDB树轮数据对比不同去趋势方法 |
| 3.5.1 Hash算法的应用 |
| 3.5.2 基于ITRDB轮宽数据与其近邻点气候因子相关关系 |
| 3.5.3 点-点主成分回归分析方法 |
| 3.5.4 点-点主成分回归分析-以CEEMD和CD法为例 |
| 3.5.5 点-点主成分回归分析-以CEEMD和SF_RCS法为例 |
| 3.6 本章讨论 |
| 第4章 变量间相关关系分析及特征变量选择 |
| 4.1 随机变量间的相关关系定量分析 |
| 4.2 利用模拟数据对比分析各种定量相关分析法 |
| 4.3 不同定量相关分析方法在树轮气候学的实际应用 |
| 4.4 特征变量选择 |
| 4.4.1 以模拟数据为例 |
| 4.4.2 以科罗拉多河流上游树轮-水文数据为例 |
| 4.4.3 以马尾松树轮宽度为例 |
| 4.5 本章讨论 |
| 第5章 线性与非线性响应函数模型对比 |
| 5.1 神经网络和随机森林 |
| 5.1.1 神经网络 |
| 5.1.2 随机森林 |
| 5.2 线性与非线性方法对比-以西黄松为例 |
| 5.3 线性和非线性方法对比-以马尾松为例 |
| 5.3.1 线性与非线性模型统计分析 |
| 5.3.2 不同方法重建结果的对比分析 |
| 5.4 本章讨论 |
| 第6章 日值气象数据在精细化树轮气候研究的应用探索 |
| 6.1 以马尾松树轮宽度数据为例 |
| 6.2 以亚洲地区141个树轮宽度序列为例 |
| 6.3 本章讨论 |
| 第7章 我国温暖湿润地区树轮指标选择—以马尾松为例 |
| 7.1 不同组分稳定碳同位素序列统计特征分析 |
| 7.1.1 不同组分碳同位素序列的统计量分析 |
| 7.1.2 不同组分稳定碳同位素趋势分析 |
| 7.2 不同组分碳同位素与气候因子的线性关系 |
| 7.2.1 与月度气候因子的线性分析 |
| 7.2.2 季节性相关分析及其空间分布模式 |
| 7.3 马尾松不同树轮指标树轮气候关系对比 |
| 7.4 本章讨论 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 附录 |
| 参考文献 |
| 博士期间的科研成果 |
| 致谢 |
（3）基于光谱技术的土壤理化信息检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 土壤理化性质检测方法研究现状 |
| 1.2.1 高光谱成像技术 |
| 1.2.2 拉曼光谱技术 |
| 1.2.3 近红外光谱技术 |
| 1.2.4 激光诱导击穿光谱技术 |
| 1.2.5 机器视觉技术 |
| 1.3 光谱技术在土壤理化性质检测中存在的问题 |
| 1.4 研究内容和技术路线图 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 小结 |
| 第二章 材料与方法 |
| 2.1 实验样本 |
| 2.1.1 样本收集与处理 |
| 2.1.2 参考值检测方法 |
| 2.2 实验设备 |
| 2.2.1 高光谱成像系统 |
| 2.2.2 便携式拉曼光谱仪 |
| 2.2.3 LIBS光谱采集系统 |
| 2.2.4 显微成像系统 |
| 2.2.5 微根管RGB相机 |
| 2.3 机器学习算法 |
| 2.3.1 多元线性回归 |
| 2.3.2 LASSO回归 |
| 2.3.3 主成分回归分析 |
| 2.3.4 偏最小二乘法 |
| 2.3.5 支持向量机 |
| 2.3.6 K近邻算法 |
| 2.3.7 随机森林 |
| 2.3.8 梯度提升树与极端梯度提升 |
| 2.4 卷积神经网络 |
| 2.4.1 CNN简介 |
| 2.4.2 CNN主要组成部分 |
| 2.5 模型评价指标 |
| 2.5.1 分类评价指标 |
| 2.5.2 回归评价指标 |
| 2.6 实验软硬件 |
| 2.7 小结 |
| 第三章 基于近红外高光谱的土壤理化性质检测 |
| 3.1 引言 |
| 3.2 高光谱数据采集 |
| 3.3 高光谱数据预处理 |
| 3.3.1 感兴趣区域(ROI)自动提取 |
| 3.3.2 光谱平滑 |
| 3.4 结果与分析 |
| 3.4.1 基于全谱的土壤N,OM,PH,EC回归模型 |
| 3.4.2 特征波段的选择 |
| 3.4.3 基于特征波长的土壤N,OM的回归模型 |
| 3.5 小结 |
| 第四章 基于拉曼光谱与显微图像的土壤质地判别 |
| 4.1 引言 |
| 4.2 土壤数据集 |
| 4.3 基于拉曼光谱的土壤质地判别 |
| 4.3.1 拉曼光谱采集 |
| 4.3.2 拉曼光谱预处理 |
| 4.3.3 基于拉曼光谱的土壤质地判定结果 |
| 4.4 基于显微图像的土壤质地判别 |
| 4.4.1 土壤显微图像采集 |
| 4.4.2 分类基模型 |
| 4.4.3 集成学习 |
| 4.4.4 训练与参数设置 |
| 4.4.5 推断流程 |
| 4.4.6 基于显微图像的土壤质地判定结果 |
| 4.5 小结 |
| 第五章 基于LIBS的土壤重金属检测方法研究 |
| 5.1 引言 |
| 5.2 LIBS数据获取 |
| 5.3 数据分析 |
| 5.3.1 光谱预处理 |
| 5.3.2 单变量分析 |
| 5.3.3 多变量分析 |
| 5.3.4 模型评价指标 |
| 5.4 结果与分析 |
| 5.4.1 参考值分布 |
| 5.4.2 土壤压片的LIBS谱线 |
| 5.4.3 单变量分析结果 |
| 5.4.4 多变量分析结果 |
| 5.5 小结 |
| 第六章 基于RGB图像的大豆根系分割 |
| 6.1 引言 |
| 6.2 土壤根系数据集 |
| 6.2.1 根系图像获取 |
| 6.2.2 图像标注 |
| 6.3 模型训练与推断 |
| 6.3.1 编码过程中的迁移学习 |
| 6.3.2 训练与参数设置 |
| 6.3.3 推断流程 |
| 6.4 评价指标 |
| 6.5 结果与分析 |
| 6.5.1 整体性能 |
| 6.5.2 模型预测的失效分析 |
| 6.5.3 大豆根系图片测试集与森林土壤根系图片测试集 |
| 6.5.4 特征图的可视化 |
| 6.5.5 迁移学习的性能 |
| 6.5.6 不同大小的SEGROOT网络的性能 |
| 6.6 小结 |
| 第七章 便携式近红外土壤理化性质检测系统开发 |
| 7.1 引言 |
| 7.2 硬件设计 |
| 7.2.1 DLP NIRSCAN NANO EVM |
| 7.2.2 ESP8266EX模组 |
| 7.2.3 本地无线NIRS装置 |
| 7.3 软件设计 |
| 7.3.1 WI-FI模组的本地自定义固件 |
| 7.3.2 远程云服务器软件 |
| 7.3.3 系统工作流程 |
| 7.4 系统功能 |
| 7.5 系统测试 |
| 7.5.1 数据获取 |
| 7.5.2 数据分析 |
| 7.5.3 软件工具 |
| 7.5.4 实验结果 |
| 7.6 小结 |
| 第八章 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简介 |
（4）光谱化学计量分析方法及其在舌诊的应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 近红外光谱分析技术概述 |
| 1.1.1 近红外光谱分析技术的原理 |
| 1.1.2 近红外光谱分析技术的过程 |
| 1.1.3 近红外光谱分析技术的特点 |
| 1.1.4 近红外光谱分析技术的应用与前景 |
| 1.2 化学计量学概述 |
| 1.2.1 化学计量学的起源与发展 |
| 1.2.2 化学计量学方法在近红外光谱分析中的必要性 |
| 1.2.3 影响校正模型建立的主要因素 |
| 1.3 光谱法舌诊的研究意义与现状 |
| 1.3.1 光谱法舌诊的研究意义 |
| 1.3.2 光谱法舌诊的研究现状 |
| 1.4 本文的研究目的与意义 |
| 1.5 本文的主要研究内容与结构 |
| 1.5.1 主要研究内容 |
| 1.5.2 论文结构安排 |
| 第二章“M+N”理论及光谱法舌诊用于血清胆红素无创检测的可行性验证 |
| 2.1 近红外光谱分析中常用的化学计量学方法 |
| 2.1.1 光谱预处理方法 |
| 2.1.2 多元校正方法 |
| 2.1.3 校正模型的评价参数 |
| 2.2 提高校正模型预测能力的策略——“M+N”理论 |
| 2.2.1“M+N”理论概述 |
| 2.2.2“M+N”理论的实施步骤 |
| 2.2.3 小结 |
| 2.3 非目标组分用于提高校正模型预测能力的方法 |
| 2.3.1 引言 |
| 2.3.2 理想三组分模型的构建 |
| 2.3.3 各组分浓度分布的设计 |
| 2.3.4 偏最小二乘回归建模与预测 |
| 2.3.5 结果与讨论 |
| 2.4 光谱法舌诊用于血清胆红素无创检测的可行性验证 |
| 2.4.1 引言 |
| 2.4.2 光谱数据采集与预处理 |
| 2.4.3 偏最小二乘回归建模与预测 |
| 2.4.4 结果与讨论 |
| 2.5 小结 |
| 第三章 光源电压用于提高校正模型预测能力的方法 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 实验装置的搭建 |
| 3.2.2 变电压光源光谱的采集 |
| 3.2.3 变电压光源光谱的预处理 |
| 3.3 光源电压变化对光谱定量分析的影响 |
| 3.3.1 理想三组分模型的构建 |
| 3.3.2 变电压光源光谱的引入 |
| 3.3.3 光源电压变化对预测精度的影响 |
| 3.3.4 校正模型的构建与结果分析 |
| 3.4 小结 |
| 第四章 温度用于近红外光谱定量分析的方法 |
| 4.1 引言 |
| 4.2 光谱数据采集与预处理 |
| 4.2.1 材料与样本的准备 |
| 4.2.2 温度控制与光谱测量 |
| 4.3 理论与方法 |
| 4.3.1 光谱数据的排列与组织 |
| 4.3.2 温度导致光谱变化的计算 |
| 4.4 结果与讨论 |
| 4.4.1 TSVC与归一化温度平方项之间的定量关系 |
| 4.4.2 校正曲线的建立 |
| 4.4.3 校正曲线的验证与组分的定量分析 |
| 4.5 小结 |
| 第五章 SPXYZ校正模型样本选择的方法 |
| 5.1 引言 |
| 5.2 理论方法 |
| 5.2.1 随机抽样法 |
| 5.2.2 Kennard-Stone方法 |
| 5.2.3 SPXY方法 |
| 5.2.4 SPXYZ方法 |
| 5.3 实验部分 |
| 5.3.1 数据集 |
| 5.3.2 评估标准 |
| 5.4 结果与讨论 |
| 5.4.1 三元混合物光谱数据集的结果与讨论 |
| 5.4.2 玉米样本光谱数据集的结果与讨论 |
| 5.5 小结 |
| 第六章 基于WP-mUVE-LSSVM方法光谱法舌诊的临床应用 |
| 6.1 引言 |
| 6.2 理论与算法 |
| 6.2.1 小波分频-改进UVE方法 (WP-mUVE) |
| 6.2.2 最小二乘支持向量机 (LSSVM) |
| 6.2.3 WP-mUVE-LSSVM方法 |
| 6.3 实验部分 |
| 6.3.1 实验装置的搭建 |
| 6.3.2 样本的收集与光谱数据的采集 |
| 6.4 光谱数据预处理与校正模型构建 |
| 6.4.1 用于糖尿病快速筛查的光谱数据预处理与校正模型构建 |
| 6.4.2 用于血糖无创检测的光谱数据预处理与校正模型构建 |
| 6.5 结果与讨论 |
| 6.5.1 不同预处理方法的结果对比 |
| 6.5.2 校正模型不同核函数的结果对比 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 论文完成的主要工作与结论 |
| 7.2 论文研究的创新点 |
| 7.3 研究工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（5）基于荧光法的多环芳烃检测技术及实验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 多环芳烃检测概述 |
| 1.2.1 多环芳烃的分布及危害 |
| 1.2.2 多环芳烃检测方法 |
| 1.3 多环芳烃检测现状 |
| 1.4 课题来源及主要研究内容 |
| 第2章 荧光及荧光光谱概述 |
| 2.1 荧光的产生机理及影响因素 |
| 2.2 荧光分析方法的特点及分类 |
| 2.3 三维荧光光谱的原理与特性 |
| 2.4 本章小结 |
| 第3章 多环芳烃荧光检测系统构成及实验结果去噪处理 |
| 3.1 实验系统组成及实验测试分析 |
| 3.1.1 荧光检测实验系统 |
| 3.1.2 荧光光谱分析 |
| 3.2 基于小波分析法的信号去噪 |
| 3.2.1 小波分析在化学计量学中的应用 |
| 3.2.2 实验结果小波去噪分析 |
| 3.3 本章小结 |
| 第4章 神经网络在荧光法多环芳烃检测中的应用研究 |
| 4.1 多环芳烃混合物荧光特性实验 |
| 4.2 径向基函数神经网络理论基础 |
| 4.3 径向基神经网络在多环芳烃荧光法检测中的应用 |
| 4.3.1 二组分多环芳烃的预测结果 |
| 4.3.2 三组分多环芳烃的训练及预测 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（6）化学计量学在水产品质量检测分析中的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 前言 |
| 1.1 化学计量学概述 |
| 1.2 常用于食品领域中的化学计量学方法 |
| 1.2.1 多元校正方法的应用 |
| 1.2.2 化学计量学中模式识别的应用 |
| 1.2.3 人工神经网络的应用 |
| 1.3 化学计量学在食品科学中的实际应用领域 |
| 1.3.1 在食品营养成分分析中的应用 |
| 1.3.2 在食品分类识别及掺伪分析中的应用 |
| 1.3.3 在食品质量安全检测中的应用 |
| 1.4 结语 |
| 1.5 本研究的主要研究内容及创新性 |
| 第二章 化学计量学在三种虾体氨基酸水解液检测中的应用 |
| 2.1 方法与材料 |
| 2.1.1 ELM |
| 2.1.2 BP 和 RBF 神经网络 |
| 2.1.3 仪器 |
| 2.1.4 样品处理 |
| 2.1.5 网络的测试集和训练集 |
| 2.2 结果与分析 |
| 2.2.1 随机运行测试分析比较 |
| 2.2.2 测试结果 |
| 2.3 本章小结 |
| 第三章 化学计量学在鱼新鲜度快速检测中的研究 |
| 3.1 材料与方法 |
| 3.1.1 材料 |
| 3.1.2 仪器与设备 |
| 3.1.3 实验方法 |
| 3.2 测定结果与讨论 |
| 3.2.1 分析测定结果 |
| 3.2.2 偏最小二乘回归结果分析 |
| 3.2.3 支持向量机仿真预测结果 |
| 3.3 本章小结 |
| 第四章 结论 |
| 4.1 主要结论 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间获得的学术成果及奖励 |
（7）水环境体系中信号严重重叠的多种环境污染物的测定与辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 污染物的一般性质、发展现状 |
| 1.1.1 重金属离子污染物的危害及在水环境中的存在现状 |
| 1.1.2 有机污染物的危害 |
| 1.1.2.1 酚类有机污染物 |
| 1.1.2.2 多环芳烃(PAHs)有机污染物 |
| 1.2 测定方法简介 |
| 1.2.1 紫外-分光光度法 |
| 1.2.2 阳极溶出伏安法 |
| 1.2.3 荧光分析法 |
| 1.3 化学计量学 |
| 1.4 研究意义及内容 |
| 参考文献 |
| 第二章 化学计量学方法原理 |
| 2.1 直接正交信号校正(DOSC) |
| 2.2 小波包变换(WPT) |
| 2.3 经典偏最小二乘法(PLS) |
| 2.4 DOSC-WPT-PLS(或OSC-WPT-PLS)法 |
| 参考文献 |
| 第三章 化学计量-紫外分光光度法测定Al-Fe-Cu混合物 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 主要仪器和试剂 |
| 3.2.2 实验方法 |
| 3.3 结果讨论 |
| 3.3.1 吸收光谱曲线 |
| 3.3.2 测定条件的最佳化 |
| 3.3.2.1 pH对吸光强度的影响 |
| 3.3.2.2 缓冲溶液用量对吸光强度的影响 |
| 3.3.2.3 增敏剂CTMAB用量对吸光强度的影响 |
| 3.3.2.4 显色剂用量对吸光强度的影响 |
| 3.3.3 DOSC-WPT-PLS方法 |
| 3.3.4 DOSC-WPT-PLS、WPT-PLS和PLS方法的比较 |
| 3.4 结论 |
| 参考文献 |
| 第四章 化学计量学-电化学法同时测定伏安峰严重重叠的有机污染物 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 主要仪器和试剂 |
| 4.2.2 试验方法 |
| 4.3 结果讨论 |
| 4.3.1 微分脉冲伏安图 |
| 4.3.2 测定条件的最佳化 |
| 4.3.2.1 pH对峰电势及峰电流的影响 |
| 4.3.2.2 仪器参数对伏安峰的影响 |
| 4.3.3 OSC-WPT-PLS方法 |
| 4.3.4 OSC-WPT-PLS、WPT-PLS和PLS方法的比较 |
| 4.4 结论 |
| 参考文献 |
| 第五章 化学计量学-荧光分析法同时测定萘、1-萘酚和2-萘酚 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.2.1 主要仪器和试剂 |
| 5.2.2 实验方法 |
| 5.3 结果与讨论 |
| 5.3.1 荧光光谱图 |
| 5.3.2 测定条件的最佳化 |
| 5.3.3 OSC-WPT-PLS法 |
| 5.3.4 三种方法(OSC-WPT-PLS、WPT-PLS和PLS)的比较 |
| 5.3.5 水样的分析 |
| 5.3.6 干扰影响 |
| 5.4 结论 |
| 参考文献 |
| 第六章 智能信息技术-荧光分析法同时分辨萘、菲、蒽 |
| 6.1 引言 |
| 6.2 实验部分 |
| 6.2.1 主要仪器和试剂 |
| 6.2.2 实验方法 |
| 6.3 结果与讨论 |
| 6.3.1 荧光光谱图 |
| 6.3.2 测定条件的最佳化 |
| 6.3.2.1 激发波长和扫描范围的选定 |
| 6.3.2.2 实验条件的选择 |
| 6.3.3 DOSC-WPT-PLS法 |
| 6.3.4 三种方法(DOSC-WPT-PLS、WP-PLS和PLS)的比较 |
| 6.3.5 水样的分析 |
| 6.3.6 干扰实验 |
| 6.4 结论 |
| 参考文献 |
| 结论与展望 |
| 致谢 |
| 攻读硕士学位期间发表的论文目录 |
（8）近红外光谱技术在多组分检测及模式识别中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 近红外光谱分析技术 |
| 1.2 化学计量学 |
| 1.2.1 定量分析 |
| 1.2.2 判别(定性)分析 |
| 1.3 近红外光谱在多组分检测中的应用 |
| 1.3.1 在食品领域的应用 |
| 1.3.2 在医学领域的应用 |
| 1.3.3 在药剂学领域的应用 |
| 1.3.4 在其他领域的应用 |
| 1.4 近红外光谱分析技术在类别分析中的应用 |
| 1.4.1 在食品领域的应用 |
| 1.4.2 在医药领域的应用 |
| 1.4.3 在石油化工领域的应用 |
| 1.5 化学计量学的应用 |
| 1.5.1 PLS近红外光谱技术在多组分分析中的应用 |
| 1.5.2 BP神经网络近红外光谱技术在多组分分析中的应用 |
| 1.5.3 广义回归神经网络的应用 |
| 1.5.4 Elman神经网络的应用 |
| 1.5.5 马氏距离法判别分析的应用 |
| 1.6 本论文研究内容 |
| 2 偏最小二乘近红外光谱技术在多组分分析中的应用与研究 |
| 2.1 偏最小二乘近红外光谱法测定瘦肉脂肪酸组成 |
| 2.1.1 方法与原理 |
| 2.1.2 实验部分 |
| 2.1.3 结果与讨论 |
| 2.2 核函数变换的偏最小二乘近红外光谱法对多组分的分析 |
| 2.2.1 方法与原理 |
| 2.2.2 实验部分 |
| 2.2.3 结果与讨论 |
| 2.3 本章小结 |
| 3 偏最小二乘与BP神经网络用于近红外光谱技术多组分定量分析研究 |
| 3.1 饲料中水分、灰分、蛋白质、磷含量的同时测定 |
| 3.1.1 方法与原理 |
| 3.1.2 实验部分 |
| 3.1.3 结果与讨论 |
| 3.2 饲料中四种氨基酸含量的同时测定 |
| 3.2.1 实验部分 |
| 3.2.2 结果与讨论 |
| 3.3 土豆中三种营养成分含量的同时测定 |
| 3.3.1 方法与原理 |
| 3.3.2 实验部分 |
| 3.3.3 结果与讨论 |
| 3.4 本章小结 |
| 4 偏最小二乘与广义回归神经网络用于近红外光谱技术多组分定量分析研究 |
| 4.1 饲料中水溶性氯化物、粗纤维、脂肪的同时测定 |
| 4.1.1 方法与原理 |
| 4.1.2 实验部分 |
| 4.1.3 结果与讨论 |
| 4.2 南丰蜜桔中总糖、总酸含量的同时测定 |
| 4.2.1 实验部分 |
| 4.2.2 结果与讨论 |
| 4.3 本章小结 |
| 5 基于Elman神经网络用于近红外光谱技术多组分定量分析研究 |
| 5.1 饲料中四种氨基酸含量的同时测定 |
| 5.1.1 方法与原理 |
| 5.1.2 实验部分 |
| 5.1.3 结果与讨论 |
| 5.2 鲜乳中三种营养成分含量的同时测定 |
| 5.2.1 实验部分 |
| 5.2.2 结果与讨论 |
| 5.3 本章小结 |
| 6. 化学计量学用于近红外光谱技术模式识别(定性分析)中的研究 |
| 6.1 PCA-马氏距离法联用近红外光谱技术鉴别巴氏杀菌乳和复原乳 |
| 6.1.1 方法与原理 |
| 6.1.2 实验部分 |
| 6.1.3 结果与讨论 |
| 6.2 近红外光谱技术联用PCA-马氏距离对鲜乳和掺有植物奶油假乳的鉴别 |
| 6.2.1 实验部分 |
| 6.2.2 结果与分析 |
| 6.3 近红外光谱技术联用PCA-马氏距离对鲜乳和掺乳清粉假乳的鉴别 |
| 6.3.1 实验部分 |
| 6.3.2 结果与分析 |
| 6.4 本章小结 |
| 7. 全文结论及主要创新点 |
| 7.1 全文结论 |
| 7.2 主要创新点 |
| 致谢 |
| 参考文献 |
| 本人在攻读博士学位期间发表的学术论文 |
（9）化学计量学在食品分类鉴别及防腐剂含量分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 前言 |
| 1.2 化学模式识别方法 |
| 1.2.1 主成分分析 |
| 1.2.2 聚类分析 |
| 1.2.3 判别分析 |
| 1.3 模式识别在食品分类鉴别中的应用 |
| 1.3.1 红外光谱技术 |
| 1.3.2 拉曼光谱技术 |
| 1.3.3 原子光谱技术 |
| 1.3.4 色谱及联用技术 |
| 1.3.5 电子鼻技术 |
| 1.3.6 核磁共振技术 |
| 1.4 多元校正技术在定量分析中的应用 |
| 1.4.1 多元线性回归 |
| 1.4.2 主成分分析和偏最小二乘 |
| 1.4.3 人工神经网络 |
| 1.4.4 平行因子分析 |
| 1.5 展望 |
| 1.6 本研究的目的意义、主要研究内容和创新性 |
| 1.6.1 目的意义 |
| 1.6.2 本研究的主要内容 |
| 1.6.3 本研究的创新性 |
| 参考文献 |
| 第2章 酱油的种类和品牌区分的模式识别研究 |
| 2.1 引言 |
| 2.2 化学计量学原理 |
| 2.2.1 聚类分析 |
| 2.2.2 主成分分析 |
| 2.2.3 偏最小二乘判别分析 |
| 2.2.4 线性判别分析 |
| 2.2.5 K-最近邻法 |
| 2.2.6 相似度分析 |
| 2.3 实验部分 |
| 2.3.1 仪器及试剂 |
| 2.3.2 实验方法 |
| 2.3.3 数据分析 |
| 2.4 结果与讨论 |
| 2.4.1 不同酱油样品相似度计算 |
| 2.4.2 聚类分析 |
| 2.4.3 主成分分析 |
| 2.4.4 偏最小二乘法判别分析 |
| 2.4.5 线性判别分析 |
| 2.4.6 K 最邻近判别分析 |
| 2.5 小结 |
| 参考文献 |
| 第3章 食醋种类和产地的模式识别研究 |
| 3.1 前言 |
| 3.2 径向基神经网络原理 |
| 3.3 实验部分 |
| 3.3.1 仪器及试剂 |
| 3.3.2 实验方法 |
| 3.4 结果与讨论 |
| 3.4.1 样品测定结果 |
| 3.4.2 不同食醋样相似度计算 |
| 3.4.3 数据标准处理 |
| 3.4.4 主成分分析 |
| 3.4.5 聚类分析 |
| 3.4.6 偏最小二乘法和径向基人工神经网络 |
| 3.5 小结 |
| 参考文献 |
| 第4章 应用可见-近红外光谱技术进行料酒品牌快速鉴别 |
| 4.1 引言 |
| 4.2 计算原理 |
| 4.2.1 Savitzky-Golay多项式滤波及求导 |
| 4.2.2 小波变换计算原理 |
| 4.3 实验部分 |
| 4.3.1 仪器 |
| 4.3.2 实验方法 |
| 4.3.3 样品来源与光谱数据处理 |
| 4.4 结果与讨论 |
| 4.4.1 不同品牌料酒的近红外光谱图 |
| 4.4.2 数据标准化处理 |
| 4.4.3 主成分分析 |
| 4.4.4 聚类分析 |
| 4.4.5 基于PLS、RBF-ANN的料酒品牌的预测模型 |
| 4.5 小结 |
| 参考文献 |
| 第5章 基于料酒的三维同步荧光模式识别研究 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.2.1 仪器 |
| 5.2.2 样品来源 |
| 5.2.3 实验方法 |
| 5.3 结果与讨论 |
| 5.3.1 不同品牌料酒的三维同步荧光 |
| 5.3.2 数据标准化处理 |
| 5.3.3 主成分分析 |
| 5.3.4 聚类分析 |
| 5.3.5 基于PLS、RBF-ANN的料酒品牌的预测模型 |
| 5.4 小结 |
| 参考文献 |
| 第6章 化学计量学-光度法同时测定食品中的四种防腐剂 |
| 6.1 引言 |
| 6.2 计算原理 |
| 6.2.1 经典最小二乘 |
| 6.2.2 主成分回归 |
| 6.3 实验部分 |
| 6.3.1 主要仪器和试剂 |
| 6.3.2 实验方法 |
| 6.4 结果与讨论 |
| 6.4.1 吸收光谱 |
| 6.4.2 酸度对防腐剂存在形态的影响 |
| 6.4.3 加和性实验 |
| 6.4.4 单组分线性范围和检出限 |
| 6.4.5 共存成分的影响 |
| 6.4.6 合成样品的测定 |
| 6.4.7 实际样品分析 |
| 6.5 小结 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间研究成果 |
（10）用小波包变换广义回归神经网络法处理硝基苯胺异构体重叠紫外吸收光谱（论文提纲范文）
| 1 方法的原理 |
| 1.1 WPT法 |
| 1.2 GRNN法 |
| 1.3 WPTGRNN法 |
| 2 实验部分 |
| 2.1 仪器与试剂 |
| 2.2 实验方法 |
| 3 结果与讨论 |
| 3.1 硝基苯胺的紫外吸收光谱 |
| 3.2 GRNN法的测定结果 |
| 3.3 WPTGRNN法的测定结果 |
| 3.4 4种方法的比较 |
| 4 结论 |
四、小波潜变量回归和广义回归神经网络同时测定三组分混合物（论文参考文献）
- [1]红外光谱多元分析理论、方法及应用研究[D]. 孙禧亭. 北京化工大学, 2020
- [2]树轮气候信息提取方法研究 ——以模拟和实测树轮数据分析为例[D]. 顾洪亮. 南京师范大学, 2020(03)
- [3]基于光谱技术的土壤理化信息检测方法研究[D]. 王涛. 浙江大学, 2020(01)
- [4]光谱化学计量分析方法及其在舌诊的应用[D]. 李哲. 天津大学, 2016(11)
- [5]基于荧光法的多环芳烃检测技术及实验研究[D]. 王丽媛. 燕山大学, 2014(02)
- [6]化学计量学在水产品质量检测分析中的研究[D]. 王锋. 浙江海洋学院, 2013(08)
- [7]水环境体系中信号严重重叠的多种环境污染物的测定与辨识[D]. 王凡凡. 内蒙古大学, 2011(11)
- [8]近红外光谱技术在多组分检测及模式识别中的应用研究[D]. 刘波平. 南京理工大学, 2011(12)
- [9]化学计量学在食品分类鉴别及防腐剂含量分析中的应用[D]. 陈燕清. 南昌大学, 2010(12)
- [10]用小波包变换广义回归神经网络法处理硝基苯胺异构体重叠紫外吸收光谱[J]. 高玲,李小平,任守信. 石油化工, 2007(11)