一、茶叶近红外光谱数据的离散余弦变换压缩方法（论文文献综述）
唐雪平[1]（2020）在《基于化学分析与机器学习的铁观音茶叶品质评价体系》文中研究表明铁观音是中国十大名茶之一,是福建省重要支柱产业。目前铁观音品质评价方法主要为评茶师的人工评价,易受主观因素影响,制约了铁观音茶叶品牌和产业的进一步发展。机器学习（ML）是人工智能的核心,在寻找共同性、区分差异性方面具有传统分类技术难以比拟的优势,在分析技术领域已取得了良好的应用。论文利用气相色谱（GC-MS）、液相色谱（HPLC）和近红外光谱（NIRS）检测技术对铁观音茶样的挥发性成分和甲醇可溶性成分进行检测、分析,再结合机器学习建立模型对铁观音等级品质进行评价。（1）采用GC-MS法对茶样中挥发性成分进行定性、定量分析,并利用余旋夹角、K值聚类、系统聚类和机器学习算法对挥发性特征成分进行分析和建模。结果表明:茶样中共检测出40种挥发性成分,其中不同产区茶样中含量较高的三种成分均为橙花叔醇、α-法尼烯、吲哚,其含量分别为28.8-35.0%、23.7-33.2%和8.4-11.2%;各产区的茶样中挥发性成分在种类和含量存在明显差异。利用余弦夹角法分析不同级别茶样的相似度,发现茶样中共有挥发性成分的相似度随着茶叶等级的降低而降低。数据预处理后,通过K-近邻分类算法（KNN）、自适应提升算法（Adaboost）、极端梯度提升算法（XGBoost）、随机森林算法（RF）、梯度提升树算法（GBDT）、支持向量机算法（SVM）六种机器学习算法对挥发性特征成分进行分析、建模,GCMS-XGBoost算法模型分级效果最优,平均精确率（mAP）为84.4%,确定系数（R2）为0.800,曲线下面积（AUC）为0.782。GCMS-XGBoost算法模型精确率（84.4%）明显高于系统聚类分析（77.2%）和K值聚类分析（78.2%）,具备可实际应用的分级精确率和可靠性。（2）利用HPLC法测定铁观音甲醇提取液中的表没食子儿茶素（EGC）、表儿茶素（EC）、咖啡因（Caffeine）、没食子儿茶素（GC）、茶氨酸（L-Theanine）、表没食子儿茶素没食子酸酯（EGCG）等10种代表性成分的含量,并利用主成分分析法和机器学习对液相特征成分进行分析和建模。结果表明:各等级茶样中EGCG、Caffeine和EGC三种成分含量均明显高于其它成分的含量;不同等级茶样中的EGC、EGCG、Caffeine、EC、GCG和ECG含量均存在三级>一级>二级的规律。HPLC数据经主成分分析法分级的结果与评茶师分级匹配度为83.51%-93.23%,mAP为87.9%,表明所选用的化学组分能够较好地对茶叶品质进行评价。HPLC数据经均值归一化（Norm）法预处理后分别输入XGBoost等六种机器学习算法,发现HPLC-XGBoost算法模型性能最优,模型的mAP为98.9%、R2为0.963、AUC为0.905,模型ROC曲线和PR曲线优异。可见,HPLC-XGBoost模型精确率远高于经典的主成分分析法,可准确地评价铁观音质量等级。（3）用NIRS法对铁观音茶样进行检测,运用标准正态变量变换（SNV）预处理方法对数据进行预处理后,再分别进行自动编码器（AutoEcoder）、主成分分析（PCA）和多层自适应模块化神经网络（HAMNN）降维处理筛选最优的降维方法,最后采用XGBoost等六种机器学习算法建立铁观音近红外光谱-机器学习的品质评价模型。结果显示:六种预处理方法中,SNV法数据预处理效果最佳;HAMNN降维方案优于AutoEcoder和PCA;近红外光谱-机器学习法建模时,NIRS-XGBoost模型分级效果最佳,模型的mAP 95.2%,R2为0.901,AUC值为0.925,模型ROC曲线和PR曲线优异。可见NIRS-XGBoost模型可以准确预测铁观音的等级品质。（4）GC-MS、HPLC和NIRS法检测结合机器学习算法所建立的铁观音品质评价模型相比较,虽然性能指标有一定的差异,但均能较好地评价铁观音的品质。其中,HPLC-XGBoost模型具有最高mAP（98.9%）和R2（0.963）,NIRS-XGBoost模型有较高的mAP（95.2%）和最高的AUC值（0.925）。HPLC-XGBoost和NIRS-XGBoost模型综合性能相当,各项指标均高于GC-MS法所构建模型。GC-MS和HPLC法检测每个样品分别为约250 min和200 min,耗时较长且HPLC法需引入有机溶剂,但可以获得决定茶叶品质的相应化学成分的有关信息,可实现茶样的定性、定量评价,这两者结合机器学习所建立的品质评价体系适用于茶叶生产工艺改进与科研的需要。NIRS法检测每个样品约40 min,耗时短且无需使用有机试剂,方便快捷,但检测结果为光谱数据,不能直接提供与茶叶品质相对应的化学成分信息。NIRS法结合机器学习所建立的评价方法准确、便捷,可满足生产和市场交易环节中快速评价的需要。
周晶[2]（2020）在《茶叶近红外光谱的模糊鉴别信息提取研究》文中研究说明随着人们对高品质生活的追求以及现代食品工业的快速发展,茶叶产业的经济效益逐步提升,但由此滋生的假冒伪劣问题却日益突出,故实现茶叶品质的快速、精准鉴别就显得尤为重要。现阶段,近红外光谱技术作为一种新兴的检测方法,凭借其独有的优势在食品检测领域迅速普及。然而,在提取近红外光谱数据中有利于分类的特征时,其自身的“高维、重叠、冗余、非线性”特性会引发一系列的技术难点,如维数灾难、信息提取困难等。因而,本论文重点研究了茶叶定性建模中的近红外光谱特征提取问题,并针对“硬”类特征提取算法难以描述样本类信息多样性的问题,以及线性特征提取算法无法处理线性不可分问题的局限,利用模糊集理论和核函数理论建立茶叶近红外光谱的特征提取模型,主要内容和结论如下:（1）基于线性鉴别分析的茶叶近红外光谱定性建模。首先,研究了四种“硬”类线性提取算法,即主成分分析（PCA）、线性判别分析（LDA）、非相关线性鉴别分析（ULDA）和正交线性鉴别分析（OLDA）,获取茶叶近红外光谱数据中有效鉴别信息的能力;其次,考虑到“硬”类特征提取方法对描述样本类信息多样性方面的欠缺,通过引入模糊集理论到“硬”类特征提取算法中,提出了“软”鉴别信息提取算法,包括模糊非相关线性鉴别分析（FULDA）和模糊正交线性鉴别分析（FOLDA）。最后,探讨了基于上述线性特征提取算法建立的茶叶近红外光谱定性分析模型及其分类结果。结果显示,基于监督特征提取算法的分类模型识别率明显优于基于非监督特征提取算法的分类模型;同时,基于所提出的两种模糊线性特征提取算法建立的模型的分类准确率均高于95.93%,进而验证了利用该类“软”鉴别信息提取算法获取茶叶近红外光谱数据中有效分类特征的可行性。（2）基于核方法的茶叶近红外光谱特征提取分析模型。样品的近红外光谱数据中通常都含有一些非线性特征,但由于线性特征提取算法缺乏获取数据非线性鉴别信息的能力,因而,本文通过将核函数理论引入到线性特征提取算法中,提出一种基于核的模糊正交线性鉴别分析（KFOLDA）的特征提取方法。另外,采用所提出的KFOLDA算法建立四种安徽品牌茶叶的分类模型,并与利用基于核的正交线性鉴别分析（KOLDA）建立的模型作对比。结果显示,基于KOLDA与KFOLDA算法建立的茶叶分类模型的识别率都可达到100%,且基于Linear核函数的模型分类效果最优,进一步表明了所提出的KFOLDA特征提取算法在获取数据非线性鉴别信息方面的有效性。
朱志强[3]（2018）在《近红外光谱在线检测固体产物及环氧树脂固化过程关键方法研究》文中进行了进一步梳理流程工业智能制造是过程信息化与自动化的融合,其信息化核心则是过程信息感知技术。对于流程工业,温度、压力、流量等信息参数的在线检测技术很成熟,而物料组成及关键性质的在线感知技术则是流程工业智能制造亟待发展的。近红外光谱（NIR）可以快速测定物料组成及物化性质,具有用于发展过程信息感知技术的潜力。在线NIR分析技术已广泛用于流体物质等条件恒定和均匀物料的过程检测。然而,固态物质形态不均匀,易受环境因素（水分、温度）变化影响,传送带上物料移动速度快等,这些因素均严重影响在线NIR光谱测量精度;而环氧树脂等固化过程既存在化学性质变化又存在物理性质变化,这造成近红外光谱信号既包含吸收光信息又包含散射光信息。光谱信号中存在大量噪声,对有用信息产生严重湮灭作用,使用常用的光谱预处理方法难以有效地消除其影响,成为阻碍NIR过程分析技术用于固态产物及高分子聚合反应领域的重要因素。本论文旨在研究这些因素影响规律与机理,发展适合固态物质及高分子聚合过程在线NIR分析的理论和方法。主要研究内容与结果如下:1.天然纤维素浆粕关键性质过程分析研究。α-纤维素含量和聚合度是天然纤维素浆粕产品的关键性质指标,现有的测定方法耗时,严重滞后于生产过程控制的即时需要。天然纤维素浆粕NIR光谱含有丰富的组成与结构信息,是理想的分析信号。然而,天然纤维素分子含有大量O-H基团,导致水分子与其分子之间的相互作用十分显着,吸水性强,环境湿度变化会严重影响NIR分析结果,成为富含纤维素固体天然产物的NIR过程分析的技术难题。论文采用连续小波变换和二维相关光谱等方法研究了水分子与纤维素分子相互作用的机理,提出了消除水分变化对近红外光谱影响的自适应斜投影算法（AOPA）,使用竞争适应重加权抽样（CARS）方法结合相关系数选择特征变量,建立了不同原材料（针叶木、阔叶木、竹、纸改浆）纤维素浆粕的α-纤维素含量和聚合度PLS定量分析模型。结果表明,与使用现有的光谱预处理方法相比,建立的模型分析精度提高了一个数量级,α-纤维素含量和聚合度多次重复性测定结果的RSD分别不大于0.22和1.22。模型的SEC分别为0.498和31.627,SEP 分别为 0.557 和 34.146,RPD 分别为 5.22 和 3.00,即近红外分析结果与标准方法一致,满足了实际生产需求,为解决天然纤维素浆粕关键指标在线NIR检测技术难题奠定了理论基础。2.活体蚕蛹雌雄智能高速分选技术研究。杂交是现代蚕桑业生产的关键工序,目前还仍依赖于眼睛辨认和手工分拣雌雄蚕蛹,效率低,成本高,是制约着行业升级的技术瓶颈。论文采用NIR光谱研究了高速识别活体蚕蛹雌雄的方法。由于生产实际可行的分拣速度要求很苛刻,单个分选时间为毫秒级,使得曝光时间极短,个体尺寸差异产生的光程差（OPD）等因素引起的光谱噪声显着,课题难度很大,极具挑战性。论文首先采用干燥称量法结合红外光谱分析了雌雄蚕蛹的组成差异。然后,人工控制蚕蛹处于静止状态和不同部位,采集其漫反射NIR光谱,研究光谱预处理对建模的影响。在上述研究基础上,设计和制作了高速动态采集活体蚕蛹NIR光谱的装置,在线采集处于高速动态状态的活体蚕蛹近红外光谱。研究发现,动态光谱中噪声显着,比静态的大一个数量级,主要来自蚕蛹尺寸和体位变化产生的OPD。使用常用的光谱预处理法均难以消除其影响。论文提出了将吸光度光谱转变为角向量光谱消除OPD影响的方法,效果非常明显,结合软独立建模分类法（SIMCA）建立了雌雄蚕蛹识别模型,分拣速度可以达到8枚/s,正确率达到98%以上。攻克了活体蚕蛹雌雄高速分选的技术难题,成功地用于实际生产,填补了一项技术空白。3.环氧树脂胺固化凝胶点和凝胶时间测定方法及凝胶机理研究。凝胶时间和凝胶点是环氧树脂固化材料工业生产质量和成本控制的关键指标。凝胶点是对应凝胶时间的转化率。现有凝胶时间检测是基于DMA等仪器的方法,而凝胶点检测则是基于分子光谱或者DSC等方法。这两种指标检测设备不同,所需的样品量及传质过程均不同,使得测量结果误差较大。而且这些传统检测方法均为离线检测,不仅检测结果严重滞后实际生产质量控制的即时需求,而且,由于条件控制差异,使得离线测量结果与实际生产情况存在着较大偏差。论文提出了一种可同时测定凝胶时间和凝胶点的在线检测方法。使用在线近红外光谱技术采集环氧固化反应过程光谱信号,采用离散小波将光谱信号分解为不同频率的信号。不同频率的信号对应着不同信息,如化学组成与光散射相关的信号。将过程光谱中的化学组成和光散射信号分别用于测定转化率和凝胶时间,实现了使用在线NIR光谱同时测定凝胶时间和凝胶点,有效地解决了上述传统方法的问题,显着提高了凝胶点检测精度。研究还采用多元曲线分辨（MCR-ALS）方法解析了环氧树脂的凝胶化机理,揭示了温度对环氧树脂凝胶化过程中网络生长规律的影响:在较低温度时,先形成较长的线性结构,直链的长度限制了自身的运动,开始形成支化结构,最后相互连接形成三维网络结构发生凝胶;温度适中时,形成较长的直链支化结构,凝胶时支化结构相互连接形成大的网络结构;而反应温度过高时反应开始即形成小三维网络结构,凝胶时众多小的三维网络结构相互连接形成大的三维网络结构。
贾文珅[4]（2014）在《基于多源信息融合的龙井茶产地鉴别研究》文中指出本文以龙井茶为研究对象，利用近红外光谱技术、二维条码技术结合模式识别等方法围绕―西湖龙井‖茶的真伪鉴别、品质以及内部成分等方面开展了系统的研究，主要取得以下研究结果：1.本文首先比较了两类近红外光谱仪（傅里叶变换型近红外光谱仪和法布里干涉型近红外光谱仪）在真伪鉴别―西湖龙井‖茶方面的效果。在此基础上，针对不同类型的光谱仪采用CARS算法对光谱鉴别模型进行了优化，分别筛选出傅里叶变换型近红外光谱仪与法布里干涉型近红外光谱仪―西湖龙井‖茶真伪鉴别的关键变量（15个与7个）。表明近红外光谱分析技术能够用于―西湖龙井‖茶快速真伪鉴别应用。2.为开发―便携式近红外光谱西湖龙井茶快速真伪鉴别仪‖，本文截取了傅里叶变换型光谱仪近红外光谱（12800cm-1-4000cm-1）中，10526cm-1-6060cm-1谱区的近红外光谱，并采用PLS-DA进行了建模分析，结果表明，上述谱区可以较好的区分―西湖龙井‖茶与浙江龙井茶，可作为―西湖龙井‖茶真伪鉴别谱区。3.在上述谱区筛选的基础上，本文设计开发了一种用于―西湖龙井‖茶快速真伪鉴别仪，该仪器结合了近红外光谱技术与二维条码技术的优势，利用―物‖、―码‖一致的思路（物代表龙井茶，码代表二维条码），对―西湖龙井‖茶进行真伪判定。本仪器设计从商品标签的数据存储需求，近红外光谱模块的选择，人机交互需求三个方面进行对比论证，选定二维条码作为―西湖龙井‖茶的商品标签，并选用QR编码作为二维条码编码格式。二维条码技术具有成本低廉，读取迅速，人机交互性好，可用于存储商品基本信息及―西湖龙井‖茶真伪鉴别加密信息等多种优良特性。根据预评估―西湖龙井‖茶真伪鉴别所需光谱谱区的结论，选取了基于线性渐变滤光片设计的超微型近红外光谱仪作为该仪器近红外光谱获取模块，该模块仅用USB数据线供电，单体重量不超过60g。最后，为了具有良好的人机交互性和较高的开发效率使用微软公司.NET框架下的C#语言进行系统开发，设计并开发了一套―西湖龙井‖茶光谱信息二维条码加密存储方案，该设计方案可防止不法分子，通过逆向破解盗取―西湖龙井‖茶快速真伪鉴别仪内嵌模型算法。本文所研发的仪器，强化了―西湖龙井‖茶真伪鉴别的技术手段，可为其他珍贵农产品真伪鉴别提供依据和示范。4.为了做到无损包装，对―西湖龙井‖茶进行真伪鉴别，提出了一种透过单层自封袋薄膜龙井茶光谱的采集方法，并设计了一种专用的―西湖龙井‖茶包装袋。5.为了进一步揭示机理，本文对龙井茶品质主要指标进行湿化学测量，然后利用高精度傅里叶变换近红外光谱仪，对龙井茶样本在不打碎，不磨粉预处理条件下所采集光谱进行了近红外模型的构建与优化。通过对所获取的龙井茶近红外光谱进行散射校正的光谱预处理，并比较原始光谱、一阶导数光谱、二阶导数光谱在不同点数（3、5、7、9点）平滑处理条件下，偏最小二乘回归模型效果，探索最优预处理方案。在此基础上，对最优预处理方案的光谱，运用CARS算法分别找出龙井茶中茶多酚、咖啡碱、氨基酸以及表没食子儿茶素没食子酸酯含量的近红外分析建模关键变量（74个、101个、101个和87个）。所优化出的关键建模变量大大提高模型计算速度，可满足对龙井茶品质在线、快速检测的要求。
张俊[5]（2012）在《茉莉花茶品质的近红外化学计量学研究》文中研究表明茉莉花茶是中国北方消费者喜爱的一大茶类,目前其品质评价主要还是依靠感官审评,但该方法受主观因素影响较大,因而建立基于茶叶理化性质的数据化茶叶品质客观评定方法对于茶叶品质改进及市场健康发展具有重要意义。本研究对不同价格档次的112个茉莉花茶样采用审评冲泡法与全量浸提法测定13种品质成分（茶多酚、氨基酸、咖啡碱、水浸出物、GA、GC、EGC、C、EC、EGCG、GCG、ECG、CG）的浓度与含量,同时对112个样品的品质进行密码感官审评并打分。采用近红外光谱分析技术结合化学计量学方法,用全量浸提法测定的结果建立13个成分含量的定标分析模型,其最佳参数确定为：所有成分均采用PLS （partial least squares,偏最小二乘）法,选择全波段即3999.67-10001.1cm-1,最佳主成分数依次为5、8、6、9、6、6、7、8、8、8、7、7、7,预处理方法依次为ds2、db1g2+nc1、SNV+db1、mf+db1g2、 sa3+nc1+db1、SNV+db1、db1+mf、db1g2+mf、db1g2+mf、db1、db1、SNV+db1、db1;模型综合评价指标Q值依次达到0.8571、0.8539、0.8159、0.8248、0.9063、0.8526、0.8931、0.8873、0.8731、0.8629、0.8184、0.8760、0.7702,外部验证真实值与预测值的相关系数R依次达到0.9615、0.9450、0.7071、0.9374、0.9842、0.8334、0.9396、0.9558、0.9333、0.8743、0.7973、0.8461、0.8232。模型效果较好,可用于成分含量的快速测定。相关性分析表明：（1）感官审评外形、汤色、香气、滋味、叶底5项因子间及与加和总分间均呈极显着正相关；5项因子及感官总分均与价格呈对数关系,决定系数R2依次达到0.855、0.667、0.836、0.900、0.906、0.914。（2）6项滋味分属性因子中,嫩、甘、鲜、醇度相互间及与滋味得分、总分、价格间均呈正相关；浓度与之相反；厚度与浓度正相关,与甘、醇度、价格负相关。（3）冲泡茶汤中茶多酚、氨基酸、水浸出物、GC、EGC、C、 EC、EGCG、GCG、ECG的浓度,与嫩、甘、鲜、醇度及滋味得分、总分、价格呈负相关,与浓、厚度正相关（个别除外）；GA相反。（4）茶叶浸提后茶多酚、氨基酸、咖啡碱、GA、ECG、CG的含量,与嫩、甘、鲜、醇度及滋味得分、总分、价格呈正相关,与浓、厚度负相关（个别除外）；水浸出物、GC、EGC、C、EC、EGCG、GCG相反。通过审评冲泡和全量浸提法测得成分浓度和含量对滋味得分和总分共建立了4个多元回归方程,回代验证预测值与真实值间相关性高,回代合格率均达90%以上,预测效果良好。通过因子分析,审评冲泡法和全量浸提法均得到5个因子得分函数和1个综合评定函数；通过判别分析,审评冲泡法和全量浸提法均得到3条Bayes判别函数,回代总正判率分别为85.7%和83.9%,交叉验证总正判率分别为84.8%和81.3%,正确判别力较高。本研究为更加简便、客观地评价茉莉花茶品质提供依据。
陈燕清[6]（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》文中研究指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。
张正竹,廖步岩,阎守和,宛晓春[7]（2009）在《近红外光谱（NIRS）技术在茶叶品质保真中的应用前景》文中研究说明从研究茶叶品质保真技术的必要性入手,讨论了茶叶感官审评方法和现有指纹认证技术的局限性。在分析近红外光谱分析技术原理及其特点的基础上,提出了利用近红外光谱技术应用于茶叶品质保真的可行性。
李晓丽[8]（2009）在《基于机器视觉及光谱技术的茶叶品质无损检测方法研究》文中认为茶叶是世界上消费量最大的三大饮料之一,我国是世界上第三大茶叶出口国,我国有近亿人从事茶叶生产、经营活动,在不少地区茶叶是农民主要的经济收入来源,2004年我国茶叶及与茶有关的产业总产值就达到了300亿元以上。因此大力发展茶叶产业及茶叶的精深加工技术,提高茶叶品质,增加农民收入,具有十分重要的意义。随着人们生活水平的提高,对于茶叶品质的要求也越来越高。但是目前国内外普遍采用感官审评法来评定茶叶的品质。感官审评法的结果易受外界环境及审评师内在心理、生理因素的影响,而且审评过程中步骤繁琐,需要时间较长,不能适应无损、在线、快速的现代茶叶生产和贸易的要求。因此,探索基于机器视觉和光谱技术的茶叶品质无损测量方法具有重要的理论价值和实际意义。本文从茶叶的外观评定、茶叶的内部成分测量和茶树的信息诊断三个方面进行了茶叶品质无损测量方法的研究。主要研究内容和结论如下：（1）采用机器视觉技术对茶叶的外观品质进行定量的评审。本研究采用MS3100的多光谱成像仪建立了机器视觉成像系统。为了得到稳定的成像系统,研究对比了不同的光源对系统的影响,结果显示太阳光光源所提供的光照条件更加均匀,不存在单光源条件下的光照不均匀和阴影等现象。对于茶叶这类几何形状的研究对象,减少阴影能够大大提高模型的稳定性及精度。本文首次提出了基于不同颗粒分布状态下茶叶的类别和等级的区分方法。在研究中,分别建立了基于颗粒非接触状茶叶图像和基于颗粒堆积状茶叶图像的等级和类别的区分模型。研究得出两个结论：首先,基于颗粒堆积状茶叶图像的区分模型比基于颗粒非接触状茶叶图像的区分能够得到更高的区分精度；其次,基于颗粒堆积状茶叶的图像不仅能够反映出茶叶颗粒的几何学特征,而且能够反映出茶叶样本的宏观纹理特征,同时颗粒堆积状态的区分能够大大提高茶叶区分的效率,并反映样本的整体品质,避免了茶叶颗粒非接触状区分时样本选取的局限性。图像的特征提取是图像识别的关键技术。本文针对茶叶样本的具体情况,优选了18个形状特征和15个纹理特征,据此建立的茶叶类别区分模型的预测正确率达到93.8%,对于区分贡献率最大的三个特征参数依次为绿光通道图像的能量、标准差滤波后图像的熵和红光通道图像的相关性。在图像特征提取的基础上,建立了等级区分模型,得出了对区分贡献最大的特征是800nm图像的二阶角矩,模型的预测正确率达到87.5%。（2）从不同光谱测量波段范围、不同光谱仪、不同测量方式以及不同样本状态方面建立并对比分析了茶叶中茶多酚、氨基酸和咖啡碱三种主要成分的四种光谱快速测量方法。本研究采用ASD可见／近红外光谱、NEXUS傅立叶近红外光谱、JASCO傅立叶中红外漫反射光谱和JASCO傅立叶中红外透射光谱对茶叶的内部成分进行了研究,其中NEXUS傅立叶近红外光谱和JASCO傅立叶中红外透射光谱法是基于磨碎的茶叶粉末样品,另外两种测量方法都是基于完全无损的干茶整叶样本,而且ASD可见／近红外光谱仪是便携式的可用于田间室外测量的光谱仪,基于该仪器的测量模型的建立为开发便携式、实用化仪器奠定了基础。对于茶多酚的测量,JASCO傅立叶中红外漫反射法为四种方法中测量精度最高者,模型的建立是基于1632cm-1-1768cm-1特征波数,模型的预测相关系数达到了0.908。ASD可见／近红外光谱法次之,基于全波段变量模型的预测相关系数为0.897。JASCO傅立叶中红外透射法的预测相关系数为0.896,特征波数为924cm-1-1792cm-1。NEXUS傅立叶近红外光谱法的效果稍差,基于6140cm-1-7140cm-1和5000cm-1-5960cm-1特征波数所建立的模型的预测相关系数为0.865。对于氨基酸的测量,基于JASCO中红外透射光谱所构建的模型预测相关系数为0.914,效果为四种方法中最好,特征波数为870cm-1-1278cm-1。效果次之的模型是基于JASCO的中红外漫反射光谱,预测相关系数为0.899,特征波数为450cm-1-1895cm-1。ASD可见／近红外光谱法的预测相关系数为0.892,效果最差的是基于NEXUS傅立叶近红外光谱所构建的模型,预测相关系数为0.813。对于咖啡碱的测量,有三种测量方法的效果都较好,尤其是JASCO的中红外透射光谱,其基于波数1784cm-1-2048cm-1.2191cm-1和2345cm-1所构建的模型预测相关系数为0.995。基于NEXUS傅立叶近红外光谱的4302cm-1-5750cm-1波数所建立的模型,预测相关系数为0.993。基于ASD可见／近红外光谱的测量模型的预测相关系数为0.96。但是基于JASCO中红外漫反射的测量模型效果较差,建模相关系数仅为0.442。上述结果的对比显示了各种方法的测量差异,同时表明基于光谱技术的茶多酚、氨基酸和咖啡碱的无损测量是可行的。同时发现,基于完全无损状态茶叶的测量模型的效果可与基于100目筛茶叶粉末的测量模型的效果相媲美,说明基于完全无损状态茶叶的茶多酚、氨基酸和咖啡碱测量模型是可行的。而且,ASD可见／近红外光谱法的测量模型效果与其它三种测量方法的效果相当,表明对于这三种成分,便携式的、可用于田间室外测量的光谱仪可以用于建立良好的测量模型,为开发简单、廉价、便携式的测量仪器奠定了基础。本研究同时还探索了基于可见／近红外光谱的茶叶含水率的无损测量方法,建立了适用于干茶、鲜叶以及不同加工过程中的茶样的含水率测量的模型。研究基于小波变换和支持向量机所构建的测量模型的预测相关系数高达0.987。这表明基于可见／近红外光谱的方法可以对茶叶的含水率进行实时、无损、快速的测量。与其它以磨碎的茶叶粉末为研究对象的实验相比,本研究能够实现对不经过任何预处理的茶叶整叶样本的无损检测。（3）对于茶树信息的快速诊断,研究了基于可见／近红外光谱的茶树品种区分方法,的关系。通过对比不同树龄、不同生长环境和不同栽培管理模式（施肥量、喷药量等）下茶树叶片的漫反射光谱,发现基于田间茶树叶片的光谱可以区分茶树品种。研究了5个品种茶树叶片的可见／近红外漫反射光谱与茶树叶片全氮含量之间的关系发现漫反射光谱与全氮含量密切相关,所构建的模型预测相关系数为0.835。以11个品种茶树为例,通过分别研究田间活体叶片和室内离体叶片的可见／近红外漫反射光谱与叶片叶绿素相对含量（SPAD）之间的关系,发现叶片的漫反射光谱与叶绿素相对含量（SPAD）之间存在显着线形相关性。基于田间活体叶片漫反射光谱的测量模型,预测相关系数为0.936；基于离体叶片室内漫反射光谱的测量模型,预测相关系数为0.913,研究发现前者的效果优于后者。
张勇[9]（2009）在《模式识别技术在几种天然产物红外光谱分析中的应用研究》文中研究表明针对几种天然产物,研究如何将几种模式识别技术,即偏最小二乘、模糊模式识别、人工神经网络、支持向量机及灰度关联分析与红外光谱分析有机地结合以实现定量和定性分析,旨在找到一种更为有效的红外光谱的建模方法,为天然产物的红外光谱分析提供新思路和新技巧。1.以天然产物人参、淫羊藿和烟草为研究对象,提出将模糊模式识别技术应用于红外光谱的定性分析中,解决了其分析过程中光谱变量的降维、贴近度和择近原则以及分析步骤等关键性问题。2.针对天然产物烟草和黄连,研究了偏最小二乘法（PLS）用于近红外光谱的单组分及多组分的定量分析,并确定了光谱的预处理方案及泛化能力的评价指标。3.以天然产物人参、淫羊藿、烟草、黄连为例,研究人工神经网络应用于中红外光谱的产地鉴别分析及近红外光谱的定性和定量分析时的关键参数设置和相关问题的解决方案,并对建立的模型进行了有效评价。4.研究支持向量机技术（SVM）用于近红外光谱定量分析时有关核参数和核函数的选择方法,同时提出结合小波变换技术,利用支持向量机对烟草及黄连近红外光谱的单组分、多组分的定量分析进行了仿真实验,并将不同模式识别技术建立的模型进行细致的对比研究。5.提出将灰色关联分析法用于近红外光谱的谱区优化选取,通过计算某一谱区的峰面积与特定组分的灰色关联度,并将灰色关联度较大的谱区作为特征谱区参与建模,使其建模时间大大缩短,预测精度有较大的提高。
叶静[10]（2008）在《应用近红外光谱分析技术检测茶叶成分的研究》文中指出本研究以茶叶中的茶多酚、咖啡碱的含量为检测指标,结合化学计量学方法开展了近红外光谱定量分析的研究,主要从预处理方法选择、建模方法优化、波长优选、最佳建模数量的选择、相关分析、进口与国产仪器图谱比较等方面深入探讨了近红外光谱定量分析技术的几个关键问题,旨在为茶叶品质的无损检测提供新的参考。本研究共收集了180个不同种茶叶样品,分别同步检测了茶叶中的茶多酚和咖啡碱2个主要成分含量的化学值并采用MPA型傅立叶近红外光谱仪和WQF-400N傅里叶变换近红外光谱仪两台不同生产企业的近红外仪器采集了近红外光谱。比较了一阶微分、SNV和小波等多种预处理方法的效果,找出了茶多酚和咖啡碱的最佳预处理方法。同时,在最佳的预处理方法下比较了移动窗口偏最小二乘等4种优化波长方法,结果表明在特定的窗口宽度下采用移动窗口偏最小二乘可以得到最佳的优选波长结果,此时180个茶叶样品茶多酚和咖啡碱组分的窗口宽度分别为71和91时,模型预测均方差最低,分别为2.0665和0.2881。本文在优化后的预处理方法和波长范围内建立了不同数量的校正集下的茶多酚和咖啡碱组分的校正模型。结果表明:茶叶中茶多酚和咖啡碱组分模型的预测精度与建模样品的数量存在一定的关系。随着校正集样品数量的不断增加,模型的预测均方差由大变小逐渐趋于平稳。当茶多酚和咖啡碱的校正集数量分别为40和55时,模型预测精度趋于平稳。在180个茶叶样品中,当茶多酚和咖啡碱校正集样品数量分别为85和70时,模型的预测均方差最小,分别为1.7970和0.2578。该研究对建模时选择校正样品数量具有参考价值。由于茶叶为天然样品,含有大量的复杂背景。本文在国产WQF-400型仪器下采用相关分析方法对光谱进行处理,增强了光谱信息,再以PLS法对咖啡碱组分建立校正模型,其预测结果与未经相关分析的模型进行比较,结果表明:经相关分析后,模型咖啡碱组分预测相关系数提高了2.96%,预测均方误差降低了1.27%。证明了相关分析技术在天然复杂样品中具有提纯和加强有效信号的能力。与进口仪器相比,国产仪器各键出峰不够明显,且光谱平移明显,噪声较多。本文对不同的预处理方法的光谱进行了分析,结果表明:对于国产WQF型仪器仅采用消噪的办法仍达不到进口仪器的预测精度,但是采用相关分析后可以提高信噪比。
二、茶叶近红外光谱数据的离散余弦变换压缩方法（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、茶叶近红外光谱数据的离散余弦变换压缩方法（论文提纲范文）
（1）基于化学分析与机器学习的铁观音茶叶品质评价体系（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 第1章 绪论 |
| 1.1 铁观音的概述 |
| 1.1.1 铁观音的主要产区 |
| 1.1.2 铁观音的制作工艺与分类 |
| 1.1.3 铁观音的组成与功效 |
| 1.2 茶品质的评价方法 |
| 1.2.1 感官评价法 |
| 1.2.2 化学评价法 |
| 1.2.3 电子鼻评价法 |
| 1.2.4 电子舌评价技术 |
| 1.2.5 其他评价技术 |
| 1.3 近红外光谱技术 |
| 1.3.1 近红外光谱技术概述 |
| 1.3.2 近红外光谱技术在茶叶评价中的应用 |
| 1.4 品质评价中的机器学习方法 |
| 1.4.1 机器学习方法简介 |
| 1.4.2 食品品质评价中常用的机器学习方法 |
| 1.5 研究意义和内容 |
| 1.5.1 研究意义 |
| 1.5.2 研究内容 |
| 第2章 基于GC-MS指纹图谱构建铁观音茶叶品质评价体系 |
| 2.1 实验材料和仪器 |
| 2.1.1 主要仪器与设备 |
| 2.1.2 实验材料 |
| 2.2 实验方法 |
| 2.2.1 茶样的前处理和萃取头前处理 |
| 2.2.2 茶样挥发性成分的萃取 |
| 2.2.3 GC-MS条件 |
| 2.2.4 GC-MS数据处理和分析 |
| 2.2.5 基于GCMS-ML技术的铁观音品质评价建模方法 |
| 2.3 结果与讨论 |
| 2.3.1 不同茶产区的挥发性成分组成 |
| 2.3.2 相似度计算和峰重叠率的计算 |
| 2.3.3 聚类分析对茶叶品质进行评价 |
| 2.3.4 基于GCMS-ML的茶叶品质分级机器学习模型构建 |
| 2.4 小结 |
| 第3章 基于HPLC指纹图谱构建铁观音茶叶品质评价体系 |
| 3.1 实验材料和仪器 |
| 3.1.1 试剂 |
| 3.1.2 主要仪器与设备 |
| 3.1.3 茶叶样品 |
| 3.2 实验方法 |
| 3.2.1 拟检测的主要成分 |
| 3.2.2 标准品溶液配制 |
| 3.2.3 色谱条件 |
| 3.2.4 样品前处理 |
| 3.2.5 数据处理和分析 |
| 3.2.6 基于HPLC-机器学习方法的茶叶品质分级模型建立 |
| 3.3 结果与讨论 |
| 3.3.1 检测方法 |
| 3.3.2 不同产地和等级茶样中可溶性成分的含量 |
| 3.3.3 茶样液相组分的主成分分析 |
| 3.3.4 基于HPLC-ML方法的茶叶品质评价模型的建立 |
| 3.4 小结 |
| 第4章 NIRS法构建铁观音茶叶品质评价模型 |
| 4.1 实验材料和仪器 |
| 4.1.1 材料与试剂 |
| 4.1.2 主要仪器与设备 |
| 4.2 数据分析与建模方法 |
| 4.3 实验过程数据与结果讨论 |
| 4.3.1 红外光谱的采集最佳条件 |
| 4.3.2 NIRS光谱特征和预处理 |
| 4.3.3 近红外光谱特征降维 |
| 4.3.4 参数优化策略 |
| 4.3.5 近红外光谱数据建模结果分析 |
| 4.4 小结 |
| 第5章 基于不同机器学习算法的评价模型的比较 |
| 5.1 模型综合性能评价 |
| 5.2 三种数据采集操作对比 |
| 5.3 NIRS-ML模型用于在线分析的可能性 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 主要结论 |
| 6.2 项目创新之处 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 附表A |
| 附表B |
| 附表C |
| 附表D |
| 附表E |
| 附图F |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 附件 |
（2）茶叶近红外光谱的模糊鉴别信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 茶叶行业现状分析及品种鉴别方法概述 |
| 1.1.1 茶叶行业发展现状 |
| 1.1.2 茶叶品种鉴别方法 |
| 1.2 光谱检测技术在茶叶领域中的应用现状 |
| 1.2.1 高光谱技术 |
| 1.2.2 拉曼光谱技术 |
| 1.2.3 荧光光谱技术 |
| 1.2.4 红外光谱技术 |
| 1.3 近红外光谱技术及其在食品检测中的应用 |
| 1.3.1 近红外光谱分析的理论基础 |
| 1.3.2 近红外光谱的常规检测方式 |
| 1.3.3 近红外光谱定性分析的流程 |
| 1.3.4 近红外光谱分析技术的特点 |
| 1.3.5 近红外光谱技术在食品中的应用进展 |
| 1.4 近红外光谱的定性分析方法与研究概况 |
| 1.4.1 特征提取方法 |
| 1.4.2 分类判别算法 |
| 1.5 本文的研究目的与主要研究内容 |
| 1.5.1 研究目的及意义 |
| 1.5.2 主要内容及创新 |
| 1.6 本章小结 |
| 第二章 近红外光谱数据分析的预备理论 |
| 2.1 模式识别理论 |
| 2.1.1 基本概念介绍 |
| 2.1.2 模式识别系统 |
| 2.2 模糊模式识别方法 |
| 2.2.1 模糊数学简介 |
| 2.2.2 模糊集和隶属函数 |
| 2.3 模式分析的核方法 |
| 2.3.1 核函数的定义 |
| 2.3.2 核方法的特点 |
| 2.4 本章小结 |
| 第三章 茶叶近红外光谱的采集和预处理 |
| 3.1 茶叶近红外光谱数据采集 |
| 3.1.1 实验仪器 |
| 3.1.2 样品制备 |
| 3.1.3 数据采集 |
| 3.2 光谱数据的预处理 |
| 3.2.1 尺度缩放 |
| 3.2.2 基线校正 |
| 3.2.3 平滑处理 |
| 3.2.4 散射校正 |
| 3.3 本章小结 |
| 第四章 基于线性鉴别分析的茶叶近红外光谱定性建模 |
| 4.1 主成分分析 |
| 4.2 基于Fisher判别准则的线性特征提取方法 |
| 4.2.1 经典的Fisher准则函数 |
| 4.2.2 改进的Fisher准则函数 |
| 4.2.3 非相关线性鉴别分析 |
| 4.2.4 正交线性鉴别分析 |
| 4.3 基于模糊集合理论的线性特征提取方法 |
| 4.3.1 模糊非相关线性鉴别分析 |
| 4.3.2 模糊正交线性鉴别分析 |
| 4.4 实验结果与分析 |
| 4.4.1 主成分分析结果与讨论 |
| 4.4.2 线性判别分析结果与讨论 |
| 4.4.3 非相关线性判别分析结果与讨论 |
| 4.4.4 正交线性鉴别分析结果与讨论 |
| 4.4.5 模糊非相关线性鉴别分析结果与讨论 |
| 4.4.6 模糊正交线性鉴别分析结果与讨论 |
| 4.5 本章小结 |
| 第五章 基于核方法的茶叶近红外光谱特征提取分析模型 |
| 5.1 基于核方法的非线性特征提取算法 |
| 5.1.1 基于核的正交线性鉴别分析 |
| 5.1.2 基于核的模糊正交线性鉴别分析 |
| 5.2 实验结果与分析 |
| 5.2.1 基于核的正交线性鉴别分析结果与讨论 |
| 5.2.2 基于核的模糊正交线性鉴别分析结果与讨论 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文与成果 |
（3）近红外光谱在线检测固体产物及环氧树脂固化过程关键方法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 近红外光谱技术 |
| 1.2.1 近红外光谱技术发展 |
| 1.2.2 近红外光谱特点 |
| 1.3 近红外光谱技术的化学计量学方法 |
| 1.3.1 化学计量学方法概述 |
| 1.3.2 预处理方法 |
| 1.3.3 主成分分析(PCA) |
| 1.3.4 偏最小二乘(PLS) |
| 1.3.5 簇类独立软模式分析(SIMCA) |
| 1.3.6 二维相关光谱分析(2DCOS) |
| 1.3.7 小波变换 |
| 1.3.8 多元曲线分辨-交替最小二乘(MCR-ALS) |
| 1.3.9 斜投影算法 |
| 1.3.10 角向量算法 |
| 1.4 近红外光谱技术在固体产物分析应用研究进展 |
| 1.4.1 近红外光谱技术在天然固态产物中的应用进展 |
| 1.4.2 近红外光谱技术在合成固体材料中应用进展 |
| 1.4.3 近红外光谱在活体生物检测中的应用 |
| 1.4.4 近红外光谱在固态物质分子结构解析中的应用 |
| 1.5 本课题研究内容概述 |
| 第二章 水分对天然纤维素浆粕近红外光谱的影响机理及其消除方法研究 |
| 2.1 引言 |
| 2.2 理论部分 |
| 2.3 实验部分 |
| 2.3.1 实验材料及制备方法 |
| 2.3.2 光谱采集 |
| 2.3.3 数据处理方法 |
| 2.4 结果与讨论 |
| 2.4.1 光谱分析 |
| 2.4.2 AOPA消除水分影响 |
| 2.4.3 不同预处理方法对校正结果的影响 |
| 2.5 本章小结 |
| 第三章 天然纤维素浆粕α-纤维素含量和聚合度快速定量分析方法研究 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 实验材料 |
| 3.2.2 光谱采集 |
| 3.2.3 数据处理 |
| 3.3 结果与讨论 |
| 3.3.1 样本划分合理性 |
| 3.3.2 自适用斜投影算法消除水分变化影响 |
| 3.3.3 最佳特征选择方法 |
| 3.3.4 模型建立 |
| 3.3.5 模型评价 |
| 3.4 本章小结 |
| 第四章 活体蚕蛹雌雄智能高速鉴别方法与分选技术研究 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 实验样品 |
| 4.2.2 可行性研究实验 |
| 4.2.2.1 水分测量 |
| 4.2.2.2 干燥样本光谱采集 |
| 4.2.2.3 静态近红外光谱采集 |
| 4.2.2.4 动态近红外光谱采集 |
| 4.2.3 在线鉴别与分选实验 |
| 4.2.4 数据处理方法 |
| 4.2.4.1 预处理方法 |
| 4.2.4.2 建模方法选择 |
| 4.2.4.3 模型建立 |
| 4.2.4.4 模型评价 |
| 4.2.5 软件平台 |
| 4.3 结果与讨论 |
| 4.3.1 可行性分析 |
| 4.3.1.1 水分含量分析 |
| 4.3.1.2 干基样品红外光谱分析 |
| 4.3.1.3 干基样品近红外光谱分析 |
| 4.3.2 建模方法选择 |
| 4.3.3 光谱采集部位的影响 |
| 4.3.4 蚕蛹品种的影响 |
| 4.3.5 光谱预处理方法的影响 |
| 4.3.6 动态采集光谱预处理方法的影响 |
| 4.3.7 应用 |
| 4.5 本章小结 |
| 第五章 环氧树脂凝胶点原位测定方法研究及凝胶现象微观解析 |
| 5.1 引言 |
| 5.2 理论与算法部分 |
| 5.2.1 原理 |
| 5.2.2 算法 |
| 5.2.2.1 名词解释 |
| 5.2.2.2 凝胶时间测定 |
| 5.2.2.3 凝胶点测定 |
| 5.3 实验部分 |
| 5.3.1 实验材料及样品制备 |
| 5.3.2 光谱采集 |
| 5.3.3 TMA测试 |
| 5.3.4 DSC测试 |
| 5.3.5 MCR-ALS |
| 5.3.6 数据处理 |
| 5.4 结果与讨论 |
| 5.4.1 光谱分析 |
| 5.4.2 凝胶时间测定 |
| 5.4.3 凝胶点测定 |
| 5.4.4 凝胶现象微观解析 |
| 5.5 本章小结 |
| 第六章 结论 |
| 6.1 全文主要内容 |
| 6.2 本论文创新之处 |
| 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 |
| 博士研究生学位论文答辩委员会决议书 |
（4）基于多源信息融合的龙井茶产地鉴别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 近红外光谱技术在农产品检测中的研究进展 |
| 1.2.1 近红外光谱技术在茶叶品质研究方面的进展 |
| 1.2.2 近红外光谱技术在不同加工工艺的茶叶之间鉴定和判别研究进展 |
| 1.2.3 近红外光谱技术在相同加工工艺的茶叶之间鉴定和判别研究进展 |
| 1.3 二维条码技术应用与研究进展 |
| 1.3.1 二维条码技术在农产品中应用的研究进展 |
| 1.3.2 二维条码技术最新进展 |
| 1.4 研究目的和意义 |
| 1.5 本文主要研究内容 |
| 第2章 近红外光谱预处理与建模方法 |
| 2.1 引言 |
| 2.2 近红外光谱数据的预处理 |
| 2.2.1 近红外光谱噪声的数学校正方法 |
| 2.2.2 近红外光谱散射的数学校正方法 |
| 2.2.3 近红外光谱的基线校正方法 |
| 2.3 近红外光谱分析中常用的定量建模方法 |
| 2.3.1 多元线性回归法 |
| 2.3.2 主成分回归法 |
| 2.3.3 偏最小二乘回归法 |
| 2.4 近红外光谱分析中常用的定性建模方法 |
| 2.4.1 偏最小二乘判别分析法 |
| 2.4.2 基于竞争自适应重加权釆样的偏最小二乘判别分析法 |
| 2.5 近红外光谱模型的评价方法 |
| 2.6 本章小结 |
| 第3章 基于近红外光谱的“西湖龙井”茶真伪鉴别方法与建模研究 |
| 3.1 引言 |
| 3.2 实验仪器 |
| 3.2.1 NIR Analyzer XL410 法布里干涉型近红外光谱仪 |
| 3.2.2 PerkinElmer Spectrum 400 傅里叶变换型光谱仪 |
| 3.3 法布里干涉型近红外光谱仪真伪鉴别―西湖龙井茶方法研究 |
| 3.3.1 实验材料 |
| 3.3.2 光谱采集方式 |
| 3.3.3 实验方法 |
| 3.3.4 长波近红外光谱真伪鉴别―西湖龙井茶模型构建 |
| 3.4 傅里叶变换型近红外光谱仪真伪鉴别―西湖龙井‖茶方法研究 |
| 3.4.1 实验材料 |
| 3.4.2 光谱采集方式 |
| 3.4.3 实验方法 |
| 3.4.4 近红外光谱真伪鉴别―西湖龙井‖茶模型构建 |
| 3.5 波段建模 |
| 3.6 本章小结 |
| 第4章 便携式“西湖龙井”茶快速真伪鉴别仪设计与实现 |
| 4.1 引言 |
| 4.2 技术路线 |
| 4.3 系统需求与关键技术选择 |
| 4.3.1 系统需求 |
| 4.3.2 关键技术选择 |
| 4.4 ―西湖龙井‖茶快速真伪鉴别仪系统结构 |
| 4.4.1 系统构成 |
| 4.4.2 系统硬件设计 |
| 4.4.3 系统软件设计 |
| 4.5 本章小结 |
| 第5章 便携式“西湖龙井”茶快速真伪鉴别仪性能测试研究 |
| 5.1 引言 |
| 5.2 仪器内嵌模型的构建与优化 |
| 5.2.1 实验材料 |
| 5.2.2 光谱采集方式 |
| 5.2.3 实验方法 |
| 5.2.4 真伪鉴别―西湖龙井‖茶模型构建与优化 |
| 5.3 透过单层自封袋薄膜采集近红外光谱方法研究 |
| 5.3.1 实验材料 |
| 5.3.2 光谱采集方式 |
| 5.3.3 实验仪器 |
| 5.3.4 透过自封袋测量与直接测量龙井茶光谱比较 |
| 5.4 透过自封袋真伪―西湖龙井‖茶模型构建与优化 |
| 5.4.1 实验材料 |
| 5.4.2 光谱采集方式 |
| 5.4.3 实验方法 |
| 5.4.4 真伪鉴别―西湖龙井‖茶模型构建与优化 |
| 5.5 透过自封袋测量与直接测量真伪―西湖龙井‖茶模型比较 |
| 5.6 本章小结 |
| 第6章 龙井茶品质参数的湿化学测量与近红外定量模型构建与优化 |
| 6.1 引言 |
| 6.2 龙井茶中茶多酚的湿化学测量与近红外定量模型构建与优化 |
| 6.2.1 龙井茶中茶多酚湿化学测量 |
| 6.2.2 龙井茶近红外漫反射光谱测量方法 |
| 6.2.3 龙井茶中茶多酚含量的近红外定量模型构建与优化 |
| 6.3 龙井茶中咖啡碱的湿化学测量与近红外定量模型构建与优化 |
| 6.3.1 龙井茶中咖啡碱湿化学测量 |
| 6.3.2 龙井茶中咖啡碱含量的近红外定量模型构建与优化 |
| 6.4 龙井茶中氨基酸的湿化学测量与近红外定量模型构建与优化 |
| 6.4.1 龙井茶中氨基酸的湿化学测量 |
| 6.4.2 龙井茶中氨基酸含量的近红外定量模型构建与优化 |
| 6.5 龙井茶中表没食子儿茶素没食子酸酯的湿化学测量与近红外定量模型构建与优化 |
| 6.5.1 龙井茶中表没食子儿茶素没食子酸酯湿化学测量 |
| 6.5.2 龙井茶中表没食子儿茶素没食子酸酯含量的近红外定量模型构建与优化 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 主要创新成果 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表学术论文及取得科研成果 |
| 致谢 |
（5）茉莉花茶品质的近红外化学计量学研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 图表索引 |
| 第一章 绪论 |
| 1 近红外光谱分析技术 |
| 1.1 近红外光谱分析技术原理 |
| 1.2 近红外光谱的测量方式 |
| 1.3 近红外光谱分析技术的特点 |
| 1.4 近红外光谱分析中常用的化学计量学方法 |
| 1.4.1 校正集的选择及异常样品的剔除方法 |
| 1.4.2 光谱数据预处理和波长选择方法 |
| 1.4.3 定量校正方法 |
| 1.4.4 模式识别定性方法 |
| 1.4.5 模型传递 |
| 1.5 近红外光谱分析技术的发展及应用 |
| 1.5.1 近红外光谱分析技术的发展及应用概况 |
| 1.5.2 近红外光谱分析技术在茶叶领域的研究进展 |
| 2 茶叶滋味品质的化学组成 |
| 2.1 茶多酚类 |
| 2.2 氨基酸 |
| 2.3 咖啡碱 |
| 2.4 糖类及酸类 |
| 2.5 其他 |
| 3 茶叶滋味品质质量评价方面研究进展 |
| 3.1 指纹图谱 |
| 3.2 红外光谱技术 |
| 3.3 电子舌 |
| 3.4 其他方法与技术 |
| 3.4.1 电阻舌 |
| 3.4.2 神经网络 |
| 3.4.3 超高压液相色谱-二极管阵列检测器-质谱(UPLC/DAD/MS)分析 |
| 3.4.4 电感耦合等离子体发射光谱仪(ICP-AES)技术 |
| 3.4.5 追踪元素和稳定同位素标记 |
| 3.4.6 因子分析和判别分析 |
| 3.4.7 X射线荧光技术 |
| 3.4.8 基于结构风险最小化的支持向量机(SVM) |
| 3.4.9 小波变换结合多级最小均方支持向量机 |
| 3.4.10 超高压液相色谱质谱联用(UPLC/MS/MS) |
| 4 研究内容及意义 |
| 4.1 研究内容及创新点 |
| 4.2 研究目的与意义 |
| 第二章 茉莉花茶化学成分近红外定量模型建立 |
| 1 材料与设备 |
| 1.1 实验材料 |
| 1.2 实验仪器设备 |
| 2 实验方法 |
| 2.1 化学品质成分测定方法 |
| 2.2 近红外光谱测定方法 |
| 2.3 定量建模方法 |
| 2.4 模型质量评价指标 |
| 3 结果与分析 |
| 3.1 建模样品及验证样品的选择 |
| 3.2 校正方法选择 |
| 3.3 建模波段选择 |
| 3.4 预处理方法选择 |
| 3.5 主成分数选择 |
| 3.6 最佳参数及评价指标总结 |
| 3.7 外部验证 |
| 4 小结与讨论 |
| 第三章 茉莉花茶品质因子间的相关性研究 |
| 1 材料与设备 |
| 1.1 实验材料 |
| 1.2 实验仪器设备 |
| 2 实验方法 |
| 2.1 化学品质成分测定方法 |
| 2.2 感官审评方法 |
| 2.3 数据处理方法 |
| 3 结果与分析 |
| 3.1 感官审评各项因子间及与价格间的关系 |
| 3.2 滋味及其分属性因子间及与价格间的关系 |
| 3.3 化学品质成分与滋味分属性因子间的关系 |
| 3.4 化学品质成分与感官及价格间的关系 |
| 3.5 滋味得分及总分多元回归方程的建立 |
| 4 小结与讨论 |
| 第四章 茉莉花茶品质评定与判别研究 |
| 1 材料与设备 |
| 1.1 实验材料 |
| 1.2 实验仪器与设备 |
| 2 实验方法 |
| 2.1 化学品质成分测定方法 |
| 2.2 感官审评方法 |
| 2.3 数据分析方法 |
| 3 结果与分析 |
| 3.1 茉莉花茶品质的因子分析及综合评定 |
| 3.2 茉莉花茶价格区间的判别分析 |
| 4 小结与讨论 |
| 第五章 结论与展望 |
| 1 结论 |
| 2 展望 |
| 参考文献 |
| 作者简历 |
（6）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 |
（8）基于机器视觉及光谱技术的茶叶品质无损检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 目次 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 茶叶品质检测及分级现状 |
| 1.2.1 茶叶品质的国内外研究现状 |
| 1.2.2 基于机器视觉的茶叶品质研究现状 |
| 1.2.3 基于光谱技术的茶叶品质研究现状 |
| 1.3 课题的研究内容及意义 |
| 1.4 茶叶的品质研究中存在的问题 |
| 1.5 论文研究内容 |
| 1.5.1 建立茶叶的外部品质评估方法 |
| 1.5.2 建立茶叶的内部成分无损测量方法 |
| 1.5.3 建立茶树信息快速诊断方法 |
| 第二章 实验仪器和研究方法 |
| 2.1 实验仪器 |
| 2.1.1 MS3100多光谱成像仪 |
| 2.1.2 ASD便携式可见/近红外光谱仪 |
| 2.1.3 SPAD-502叶绿素测定仪 |
| 2.1.4 NEXUS智能型傅立叶红外光谱仪 |
| 2.1.5 JASCO公司的FT/IR-4100红外光谱仪 |
| 2.2 数据处理方法 |
| 2.2.1 光谱预处理方法 |
| 2.2.2 定性、定量分析方法 |
| 2.2.3 模式识别方法 |
| 第三章 基于机器视觉的干茶类别、等级区分方法 |
| 3.1 机器视觉系统与实验材料 |
| 3.1.1 机器视觉系统简介 |
| 3.1.2 实验材料 |
| 3.2 图像的采集与处理 |
| 3.2.1 图像采集 |
| 3.2.2 图像处理 |
| 3.2.3 形状特征提取 |
| 3.2.4 纹理特征的提取 |
| 3.3 基于颗粒非接触状茶叶图像的类别、等级区分 |
| 3.3.1 室内实验 |
| 3.3.2 室外实验 |
| 3.3.3 小结 |
| 3.4 基于颗粒堆积状茶叶图像的类别区分 |
| 3.4.1 图像的采集 |
| 3.4.2 图像预处理 |
| 3.4.3 试验结果与分析 |
| 3.4.4 结论 |
| 3.5 基于颗粒堆积状茶叶图像的等级区分 |
| 3.5.1 图像的采集 |
| 3.5.2 实验结果 |
| 3.5.3 小结 |
| 第四章 茶叶内部成分的无损检测方法 |
| 4.1 前言 |
| 4.2 光谱采集的方式 |
| 4.2.1 可见/近红外光谱分析技术 |
| 4.2.2 中红外光谱分析技术 |
| 4.3 茶叶中茶多酚的光谱无损测量方法 |
| 4.3.1 茶多酚的国标测量方法 |
| 4.3.2 ASD可见/近红外漫反射光谱测量法 |
| 4.3.3 NEXUS傅立叶变换近红外漫反射光谱测量法 |
| 4.3.4 JASCO中红外整叶漫反射光谱测量法 |
| 4.3.5 JASCO中红外透射光谱测量法 |
| 4.3.6 小结 |
| 4.4 茶叶中氨基酸的光谱无损测量方法 |
| 4.4.1 氨基酸的国标测量方法 |
| 4.4.2 ASD可见/近红外漫反射光谱测量法 |
| 4.4.3 NEXUS傅立叶变换近红外漫反射光谱测量法 |
| 4.4.4 JASCO中红外漫反射光谱测量法 |
| 4.4.5 JASCO中红外透射光谱测量法 |
| 4.4.6 小结 |
| 4.5 茶叶中咖啡碱的光谱无损测量法 |
| 4.5.1 咖啡碱的国标测量方法 |
| 4.5.2 实验材料 |
| 4.5.3 ASD可见/近红外漫反射光谱测量法 |
| 4.5.4 NEXUS傅立叶变换近红外漫反射光谱测量法 |
| 4.5.5 JASCO中红外漫反射光谱测量法 |
| 4.5.6 JASCO中红外透射光谱测量法 |
| 4.5.7 小结 |
| 4.6 茶叶中含水率的光谱无损测量方法 |
| 4.6.1 含水率的测量方法概括 |
| 4.6.2 含水率的国标测量方法 |
| 4.6.3 实验材料 |
| 4.6.4 实验结果 |
| 4.6.5 小结 |
| 第五章 基于可见/近红外光谱的茶树信息诊断方法 |
| 5.1 前言 |
| 5.1.1 作物信息获取的研究现状 |
| 5.1.2 茶树信息快速获取的研究现状 |
| 5.2 基于田间漫反射光谱的茶树品种区分方法 |
| 5.2.1 实验材料 |
| 5.2.2 光谱数据的预处理 |
| 5.2.3 结论与讨论 |
| 5.2.4 小结 |
| 5.3 基于漫反射光谱的茶树叶绿素相对含量(SPAD)诊断方法 |
| 5.3.1 基于田间茶树叶片光谱的诊断方法 |
| 5.3.2 基于室内茶树叶片光谱的诊断方法 |
| 5.3.3 小结 |
| 5.4 基于室内漫反射光谱的全氮含量检测方法 |
| 5.4.1 叶片全氮含量的国标测量方法 |
| 5.4.2 实验材料 |
| 5.4.3 实验结果 |
| 5.4.4 小结 |
| 第六章 总结及展望 |
| 6.1 本文研究总结及展望 |
| 6.1.1 研究茶叶外部品质方面的主要内容 |
| 6.1.2 研究茶叶的内部成分方面的主要内容 |
| 6.1.3 研究茶树信息快速诊断方面的主要内容 |
| 6.2 主要创新成果 |
| 6.2.1 提出了基于颗粒堆积状茶叶分布的外观品质检测方法 |
| 6.2.2 探索了茶多酚、氨基酸、咖啡碱和含水率的无损测量方法 |
| 6.2.3 探索了茶树信息的快速诊断方法 |
| 参考文献 |
| 攻博期间参加的科研工作和发表的论文 |
（9）模式识别技术在几种天然产物红外光谱分析中的应用研究（论文提纲范文）
| 提要 |
| 第1章 绪论 |
| 1.1 模式识别技术 |
| 1.2 几种天然产物的研究概况 |
| 1.2.1 烟草 |
| 1.2.2 淫羊藿 |
| 1.2.3 黄连 |
| 1.2.4 人参 |
| 1.3 红外光谱用于天然产物的无损分析 |
| 1.3.1 红外光谱概述 |
| 1.3.2 中红外光谱在天然产物分析中的应用现状 |
| 1.3.3 近红外光谱在天然产物分析中的应用现状 |
| 1.4 本论文的研究意义及主要研究内容 |
| 第2章 实验样品与设备 |
| 2.1 中红外光谱定性分析中的实验样品与设备 |
| 2.1.1 样品来源 |
| 2.1.2 样品制备 |
| 2.1.3 仪器与测试条件 |
| 2.1.4 淫羊藿及人参样品的中红外光谱图 |
| 2.2 近红外光谱定性分析中的实验样品与设备 |
| 2.2.1 样品来源 |
| 2.2.2 仪器与测试条件 |
| 2.2.3 烟草样品的近红外光谱及导数光谱 |
| 2.3 近红外光谱定量分析中的实验样品与设备 |
| 2.3.1 黄连样品 |
| 2.3.2 烟草样品 |
| 2.4 本章小结 |
| 第3章 基于模糊模式识别及偏最小二乘的红外光谱定性和定量分析 |
| 3.1 模糊模式识别技术 |
| 3.1.1 模糊模式识别的一般方法和主要步骤 |
| 3.1.2 最大的隶属度原则模式识别的直接法 |
| 3.1.3 贴近度与模式识别的间接方法 |
| 3.1.4 模糊模式识别技术应用于红外光谱分析的主要步骤 |
| 3.2 模糊模式识别技术用于中红外光谱的定性分析 |
| 3.2.1 利用主成分分析对光谱变量进行降维 |
| 3.2.2 淫羊藿及人参样品红外光谱的模糊模式识别分析 |
| 3.3 模糊模式识别技术用于近红外光谱的定性分析 |
| 3.3.1 利用主成分分析对烟草近红外光谱数据进行降维 |
| 3.3.2 烟草样品近红外光谱的模糊模式识别分析 |
| 3.4 偏最小二乘法用于近红外光谱的定量分析 |
| 3.4.1 偏最小二乘法简介 |
| 3.4.2 偏最小二乘法用于黄连近红外光谱的定量分析 |
| 3.4.3 偏最小二乘法用于烟草近红外光谱的定量分析 |
| 3.5 本章小结 |
| 第4章 基于人工神经网络的红外光谱定量和定性分析 |
| 4.1 人工神经网络的理论基础 |
| 4.1.1 生物神经元的构成、工作过程及其特征 |
| 4.1.2 人工神经元 |
| 4.1.3 人工神经网络的构成 |
| 4.1.4 反向传播网络 |
| 4.2 BP-ANN应用于红外光谱分析时的关键问题及解决方案 |
| 4.2.1 网络的输入层和输出层设计 |
| 4.2.2 网络的隐含层的设计 |
| 4.2.3 初始权值的选取 |
| 4.2.4 学习速率 |
| 4.2.5 动量因子的选择 |
| 4.3 小波变换技术在红外光谱预处理中的应用 |
| 4.3.1 小波变换的由来和作用 |
| 4.3.2 小波变换的基本原理 |
| 4.3.3 小波变换应用于红外光谱数据压缩 |
| 4.4 基于人工神经网络的中红外光谱的定性分析 |
| 4.4.1 光谱的预处理 |
| 4.4.2 利用小波变换进行红外光谱的压缩 |
| 4.4.3 利用BP网建立淫羊藿、人参的产地鉴别模型 |
| 4.5 基于人工神经网络的近红外光谱的定性分析 |
| 4.5.1 小波变换对烟草的近红外光谱降维 |
| 4.5.2 利用BP网建立烟草的近红外光谱定性分析模型 |
| 4.6 基于人工神经网络的近红外光谱定量分析 |
| 4.6.1 黄连的人工神经网络定量分析模型 |
| 4.6.2 烟草的人工神经网络近红外光谱定量分析 |
| 4.7 本章小结 |
| 第5章 基于支持向量机的红外光谱定量和定性分析 |
| 5.1 支持向量机的理论基础 |
| 5.1.1 支持向量机的工作原理 |
| 5.1.2 支持向量机的构造 |
| 5.1.3 支持向量机的常用核函数 |
| 5.1.4 支持向量机的回归 |
| 5.2 SVM应用于红外光谱分析时的关键问题及其解决方案 |
| 5.2.1 模式的提取 |
| 5.2.2 核函数的优化选择 |
| 5.2.3 核参数的选择 |
| 5.3 基于支持向量机技术的中红外光谱的定性分析 |
| 5.4 基于支持向量机技术的近红外光谱的定性分析 |
| 5.5 基于支持向量机技术的近红外光谱的定量分析 |
| 5.5.1 基于支持向量机的黄连小檗碱定量分析模型 |
| 5.5.2 基于支持向量机的烟草的四个组分的定量分析模型 |
| 5.6 支持向量机、BP网及偏最小二乘仿真结果对比分析 |
| 5.6.1 淫羊藿及人参中红外光谱的仿真结果对比分析 |
| 5.6.2 烟草及黄连近红外光谱的仿真结果对比分析 |
| 5.6.3 对比结论 |
| 5.7 本章小结 |
| 第6章 基于灰度关联分析的近红外光谱谱区优化选取 |
| 6.1 引言 |
| 6.2 灰色关联分析的一般模型 |
| 6.3 灰色关联应用于近红外光谱分析的一般步骤 |
| 6.4 基于灰色关联度分析的近红外谱区的选择 |
| 6.4.1 近红外光谱及其特定组分含量的测定 |
| 6.4.2 近红外光谱吸收峰的峰面积 |
| 6.4.3 关联度计算结果及特征谱区的确定 |
| 6.5 基于特定谱区利用偏最小二乘法建模 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士期间发表的学术论文及其他成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
（10）应用近红外光谱分析技术检测茶叶成分的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 茶叶中主要成分及常规检测方法 |
| 1.1.1 茶叶的主要成分 |
| 1.1.2 茶叶的常规品质评定 |
| 1.1.3 茶多酚、咖啡碱的常规检测 |
| 1.1.4 常规检测方法的应用现状 |
| 1.2 近红外光谱分析技术简介 |
| 1.2.1 近红外光谱分析技术的原理及特点 |
| 1.2.2 近红外光谱分析技术的发展及应用 |
| 1.2.3 近红外光谱分析的一般步骤及化学计量学方法 |
| 1.2.4 模型评价指标 |
| 1.3 本课题研究的目的、内容及意义 |
| 1.3.1 茶叶近红外光谱分析国内外研究现状 |
| 1.3.2 本课题研究的目的、内容及意义 |
| 第二章 试验过程与方法 |
| 2.1 试验材料 |
| 2.2 化学方法测定主要指标 |
| 2.2.1 茶多酚的化学检测方法(GB/T 8313-2002) |
| 2.2.2 咖啡碱的化学检测方法(GB/T 8312-2002) |
| 2.2.3 试验结果 |
| 2.3 MPA型多功能傅立叶变换近红外光谱仪光谱采集 |
| 2.3.1 仪器及其附件 |
| 2.3.2 光谱仪系统参数分析与优化 |
| 2.3.3 MPA型仪器的光谱采集 |
| 2.4 WQF-400N型傅立叶变换近红外光谱仪器的光谱采集 |
| 2.4.1 仪器及其附件 |
| 2.4.2 光谱仪系统参数分析与优化 |
| 第三章 光谱的预处理与样品定量分析 |
| 3.1 样品的异常值的去除 |
| 3.1.1 主成分空间法 |
| 3.1.2 异常值分析 |
| 3.2 近红外光谱的预处理 |
| 3.2.1 微分处理 |
| 3.2.2 归一化 |
| 3.2.3 平滑处理 |
| 3.2.4 标准正态变量变换预处理(SNV) |
| 3.2.5 小波分析消噪处理 |
| 3.2.6 预处理方法结果与分析 |
| 3.3 波长优化 |
| 3.3.1 相关系数优化 |
| 3.3.2 波谱解析优化 |
| 3.3.3 小波消噪优化 |
| 3.3.4 移动窗口偏最小二乘(MWPLS)优化 |
| 3.3.5 4种方法波长优化结果比较 |
| 3.4 MWPLS法中窗口宽度对建模结果的影响 |
| 3.5 茶叶茶多酚和咖啡碱组分模型的建立和验证 |
| 第四章 校正集样品数对建模精度的影响 |
| 4.1 研究现状及意义 |
| 4.2 校正集划分及波长选择 |
| 4.3 最佳样品数的选择 |
| 4.4 主成分空间验证 |
| 第五章 国产仪器的预测精度分析 |
| 5.1 预处理方法结果与分析 |
| 5.1.1 最佳平滑点数的选择 |
| 5.1.2 最佳小波系的选择 |
| 5.1.3 最佳预处理方法选择 |
| 5.2 相关分析对消除复杂背景的影响 |
| 5.2.1 相关分析原理 |
| 5.2.2 相关分析对消除复杂天然背景的影响 |
| 5.3 两台仪器在不同预处理后的光谱比较 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 在攻读硕士学位期间发表的论文 |
| 附录:180个茶叶样品的化学检测值 |
四、茶叶近红外光谱数据的离散余弦变换压缩方法（论文参考文献）
- [1]基于化学分析与机器学习的铁观音茶叶品质评价体系[D]. 唐雪平. 华侨大学, 2020(01)
- [2]茶叶近红外光谱的模糊鉴别信息提取研究[D]. 周晶. 江苏大学, 2020(02)
- [3]近红外光谱在线检测固体产物及环氧树脂固化过程关键方法研究[D]. 朱志强. 北京化工大学, 2018(06)
- [4]基于多源信息融合的龙井茶产地鉴别研究[D]. 贾文珅. 吉林大学, 2014(09)
- [5]茉莉花茶品质的近红外化学计量学研究[D]. 张俊. 浙江大学, 2012(01)
- [6]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)
- [7]近红外光谱（NIRS）技术在茶叶品质保真中的应用前景[J]. 张正竹,廖步岩,阎守和,宛晓春. 食品工业科技, 2009(09)
- [8]基于机器视觉及光谱技术的茶叶品质无损检测方法研究[D]. 李晓丽. 浙江大学, 2009(02)
- [9]模式识别技术在几种天然产物红外光谱分析中的应用研究[D]. 张勇. 吉林大学, 2009(08)
- [10]应用近红外光谱分析技术检测茶叶成分的研究[D]. 叶静. 江苏大学, 2008(10)