近紅外光譜分析技術(shù)與應用簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:　　《近紅外光譜分析技術(shù)與應用》分為9章。第1章介紹近紅外光譜分析技術(shù)的背景、技術(shù)基礎、特點(diǎn)及應用領(lǐng)域；第2章介紹近紅外光譜分析的流程；第3章介紹近紅外光譜特征選擇與提??；第4章介紹基于變量?jì)?yōu)化的近紅外光譜特征選擇方法；第5章介紹基于變量區間的近紅外光譜特征變量選擇方法；第6章介紹基于變量信息的近紅外光譜特征變量選擇方法；第7章介紹基于Boosting集成的近紅外光譜特征變量選擇方法；第8章介紹近紅外光譜特征提取在定量分析中的應用；第9章介紹近紅外光譜特征提取在定性分析中的應用。

作者簡(jiǎn)介:

目錄:
前言
第1章 近紅外光譜分析概述 1
1.1 近紅外光譜分析技術(shù)的背景介紹 1
1.1.1 近紅外光譜分析技術(shù)簡(jiǎn)介 2
1.1.2 近紅外光譜分析的意義 4
1.1.3 近紅外光譜分析技術(shù)的發(fā)展歷程 4
1.2 近紅外光譜分析技術(shù)的基礎 6
1.2.1 近紅外光譜分析的物理基礎 6
1.2.2 近紅外光譜分析的化學(xué)基礎 10
1.2.3 近紅外光譜分析的數學(xué)基礎 16
1.3 近紅外光譜分析技術(shù)的特點(diǎn) 19
1.3.1 近紅外光譜分析譜區的特點(diǎn) 19
1.3.2 近紅外光譜分析方法的特點(diǎn) 20
1.3.3 近紅外光譜分析儀器的特點(diǎn) 20
1.3.4 近紅外光譜分析應用的特點(diǎn) 20
1.3.5 近紅外光譜分析的復雜性 22
1.3.6 近紅外光譜分析的不穩定性與變動(dòng)性 23
1.3.7 近紅外光譜分析的學(xué)科交叉性 24
1.4 近紅外光譜分析技術(shù)的應用 24
1.4.1 近紅外光譜定性分析的應用 25
1.4.2 近紅外光譜定量分析的應用 25
參考文獻 26
第2章 近紅外光譜分析信息流程 29
2.1 樣本采集 31
2.1.1 采樣的規則要求 31
2.1.2 采樣的影響因素 32
2.2 數據獲取 33
2.2.1 樣本光譜采集 33
2.2.2 樣本基礎數據測定 34
2.3 光譜預處理 34
2.3.1 均值中心化 36
2.3.2 平滑 36
2.3.3 多元散射校正 38
2.3.4 標準正態(tài)變量變換 39
2.3.5 去趨勢處理 40
2.3.6 導數處理 40
2.3.7 光譜預處理結果 42
2.4 樣本集劃分 43
2.4.1 RS法 43
2.4.2 K-S法 43
2.4.3 SPXY法 44
2.4.4 濃度梯度法 45
2.4.5 雙向法 45
2.5 特征選擇 46
2.6 多元校正建模 47
2.6.1 線(xiàn)性回歸方法 47
2.6.2 非線(xiàn)性回歸方法 50
2.7 模型精度評價(jià) 51
2.7.1 偏差與極差 51
2.7.2 相關(guān)系數 52
2.7.3 交叉驗證均方根誤差 52
2.7.4 預測均方根誤差 52
2.8 模型維護 52
2.8.1 模型的適配性檢驗 53
2.8.2 模型的修正 54
2.8.3 模型的轉移 54
參考文獻 54
第3章 近紅外光譜特征選擇與提取 58
3.1 特征選擇定義 59
3.2 特征選擇要素 60
3.2.1 特征子集生成 60
3.2.2 特征子集評價(jià) 61
3.2.3 停止條件 63
3.2.4 結果驗證 63
3.3 特征選擇的目的及意義 63
3.4 特征選擇分類(lèi) 64
3.4.1 過(guò)濾式特征選擇 64
3.4.2 封裝式特征選擇 65
3.4.3 嵌入式特征選擇 66
3.5 光譜變量選擇研究現狀 66
3.5.1 變量?jì)?yōu)化選擇法 66
3.5.2 變量區間選擇法 67
3.5.3 變量信息選擇法 68
3.6 存在的問(wèn)題 70
3.7 研究趨勢 70
參考文獻 72
第4章 基于變量?jì)?yōu)化的近紅外光譜特征選擇方法 77
4.1 逐步回歸法 77
4.1.1 算法原理及步驟 78
4.1.2 算法驗證及結果 79
4.2 遺傳算法 81
4.2.1 算法原理及步驟 82
4.2.2 算法驗證及結果 83
4.3 粒子群算法 85
4.3.1 算法原理及步驟 85
4.3.2 算法驗證及結果 87
4.4 蟻群算法 88
4.4.1 算法原理及步驟 89
4.4.2 算法驗證及結果 91
參考文獻 92
第5章 基于變量區間的近紅外光譜特征變量選擇方法 94
5.1 間隔偏最小二乘法 94
5.1.1 算法原理及步驟 94
5.1.2 算法驗證及結果 95
5.2 向前間隔偏最小二乘法 97
5.2.1 算法原理及步驟 97
5.2.2 算法驗證及結果 98
5.3 向后間隔偏最小二乘法 100
5.3.1 算法原理及步驟 100
5.3.2 算法驗證及結果 101
5.4 移動(dòng)窗口偏最小二乘法 103
5.4.1 算法原理及步驟 103
5.4.2 算法驗證及結果 104
5.5 基于向前和向后組合區間偏最小二乘法 104
5.5.1 算法原理及步驟 105
5.5.2 算法驗證及結果 106
參考文獻 108
第6章 基于變量信息的近紅外光譜特征變量選擇方法 110
6.1 無(wú)信息變量消除法 110
6.1.1 算法原理及步驟 110
6.1.2 算法驗證及結果 111
6.2 蒙特卡羅無(wú)信息變量消除法 113
6.2.1 算法原理及步驟 113
6.2.2 算法驗證及結果 114
6.3 競爭自適應重加權法 115
6.3.1 算法原理及步驟 115
6.3.2 算法驗證及結果 117
6.4 連續投影法 118
6.4.1 算法原理及步驟 118
6.4.2 算法驗證及結果 119
6.5 基于變量評價(jià)指標的集成連續投影法 121
6.5.1 算法原理及步驟 121
6.5.2 算法驗證及結果 122
6.6 其他變量信息特征選擇方法 124
6.6.1 F-score偏最小二乘法 124
6.6.2 隨機檢驗偏最小二乘法 124
6.6.3 排序變量選擇法 125
參考文獻 127
第7章 基于Boosting集成的近紅外光譜特征變量選擇方法 130
7.1 引言 130
7.2 加權中值Boosting集成的特征變量選擇方法 131
7.2.1 WM-Boosting-PLS的算法模型 131
7.2.2 WM-Boosting-BiPLS的算法模型 132
7.3 隨機梯度Boosting集成方法 134
7.3.1 SG-Boosting-PLS的算法模型 134
7.3.2 SG-Boosting-BiPLS的算法模型 135
7.4 下降梯度Boosting集成BiPLS特征變量選擇方法 136
7.4.1 梯度下降Boosting的基本原理 136
7.4.2 GD-Boosting-BiPLS的算法模型 137
7.4.3 模型建立與參數選擇 139
7.4.4 模型預測性能分析 140
7.5 本章小結 147
參考文獻 148
第8章 近紅外光譜特征提取在定量分析中的應用 150
8.1 近紅外光譜技術(shù)中豬肉新鮮度檢測的研究現狀 150
8.2 實(shí)驗方案 151
8.2.1 樣品制備 151
8.2.2 光譜采集 152
8.3 光譜特征區間篩選方法研究 153
8.3.1 樣品集劃分方法比較 153
8.3.2 光譜預處理對模型性能影響分析 155
8.3.3 不同特征選擇下的PLS模型 157
8.3.4 不同特征選擇下的MLR模型 157
8.3.5 不同特征選擇下的SVM模型 158
8.4 結果分析與結論 159
8.4.1 模型預測結果分析 159
8.4.2 PLS模型對豬肉新鮮度評定結果 160
8.4.3 結論 161
參考文獻 161
第9章 近紅外光譜特征提取在定性分析中的應用 163
9.1 近紅外光譜技術(shù)茶葉鑒別分析的研究現狀 163
9.2 基于近紅外的改進(jìn)CARS 164
9.2.1 變量有效性定義 164
9.2.2 ECARS近紅外特征變量選擇方法 165
9.3 實(shí)驗方案 166
9.3.1 樣品制備 166
9.3.2 光譜采集 166
9.4 光譜特征區間篩選方法研究 167
9.4.1 光譜預處理 167
9.4.2 基于BiPLS的近紅外光譜模型 168
9.4.3 基于UVE的近紅外光譜模型 169
9.4.4 基于CARS的近紅外光譜模型 170
9.4.5 基于ECARS的近紅外光譜模型 171
9.5 結果分析與結論 171
9.5.1 光譜特征變量選擇與全譜建模的方法比較 171
9.5.2 ECARS與CARS的性能比較 172
9.5.3 ECARS與其他光譜特征變量選擇方法的性能比較 172
9.5.4 ECARS結合SVM用于鑒別西湖龍井茶葉真偽的性能分析 172
參考文獻 173