声明
论文说明
致谢
摘要
表格
插图
术语表
1 绪论
1.1 引言
1.2 研究背景和现状
1.2.1 农产品无损检测概述
1.2.2 农产品无损检测中模式识别方法研究现状
1.2.3 面临的主要问题
1.3 论文研究内容与结构安排
1.3.1 论文的研究内容
1.3.2 论文的结构安排
1.4 本章小结
2 农产品无损检测中模式识别基本方法与原理
2.1 数据预处理方法
2.1.1 数据归一化、标准化和变换
2.1.2 异常数据检测和空缺值处理
2.1.3 噪声数据处理
2.2 数据降维方法
2.2.1 线性降维方法
2.2.2 非线性降维方法
2.3 建模方法
2.3.1 定性分类识别建模方法
2.3.2 定量分析建模方法
2.4 本章小结
3 基于自编码网络的近红外光谱非线性降维方法研究
3.1 引言
3.2 自编码网络结构和工作原理
3.2.1 自编码网络结构
3.2.2 自编码网络工作原理
3.3 实验材料与方法
3.3.1 仪器设备
3.3.2 样品及光谱获取
3.3.3 光谱数据处理与建模
3.4 实验结果与讨论
3.4.1 光谱降维
3.4.2 建模及预测结果比较
3.5 本章小结
4 基于稀疏表示的图像和光谱分类识别方法研究
4.1 引言
4.2 稀疏表示分类原理
4.3 稀疏表示在葡萄干品质图像识别中的应用研究
4.3.1 背景介绍
4.3.2 实验材料与方法
4.3.3 实验结果与讨论
4.3.4 结论
4.4 稀疏表示在大西洋鲑肉色可见/近红外光谱识别中应用研究
4.4.1 背景介绍
4.4.2 实验材料与方法
4.4.3 实验结果与讨论
4.4.4 结论
4.5 本章小结
5 基于相关向量机的近红外光谱定量建模方法研究
5.1 引言
5.2 相关向量机原理
5.2.1 模型描述
5.2.2 贝叶斯推理
5.2.3 优化超参数及预测
5.3 实验材料与方法
5.3.1 仪器设备及试剂
5.3.2 样品光谱采集与腺苷含量值测定
5.3.3 建模与优化
5.4 实验结果与讨论
5.5 本章小结
6 结论与展望
6.1 主要研究结论
6.1.1 基于自编码网络的近红外光谱非线性降维方法研究
6.1.2 基于稀疏表示的图像和光谱分类识别方法研究
6.1.3 基于相关向量机的近红外光谱定量建模方法研究
6.2 论文的创新点
6.3 下一步研究展望
参考文献
作者简历
发表文章目录