123,123,123

內(nèi)容簡(jiǎn)介

　　本書(shū)內(nèi)容由淺入深，共分為五章：第1章簡(jiǎn)單介紹了近紅外光譜分析技術(shù)的基礎(chǔ)概念，總結(jié)和分析了傳統(tǒng)建模分析的弊端，引出光譜數(shù)據(jù)庫(kù)的概念和本書(shū)的主要內(nèi)容；第2章主要介紹了支撐NIR-SDBS運(yùn)行的主要算法，大致可歸類為光譜預(yù)處理算法、光譜特征提取算法和光譜匹配算法等；第3章主要針對(duì)常見(jiàn)光譜平滑算法存在的問(wèn)題，提出一種新的算法，以達(dá)到保護(hù)有用光譜信息的目的；第4章主要針對(duì)特定樣品特征，提出一種新的全光譜匹配算法，以提高光譜匹配準(zhǔn)確率；第5章主要介紹了光譜數(shù)據(jù)庫(kù)系統(tǒng)分析與設(shè)計(jì)的過(guò)程，為讀者開(kāi)發(fā)自己的光譜數(shù)據(jù)庫(kù)系統(tǒng)提供參考。本書(shū)可供農(nóng)業(yè)工程學(xué)科農(nóng)產(chǎn)品品質(zhì)檢測(cè)及相關(guān)領(lǐng)域的科研、教學(xué)人員和大中專院校學(xué)生使用，也可以作為從事相關(guān)職業(yè)的科技人員、技術(shù)管理及推廣人員的參考資料。

作者簡(jiǎn)介

暫缺《近紅外光譜數(shù)據(jù)庫(kù)技術(shù)及其在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用》作者簡(jiǎn)介

圖書(shū)目錄

前言
第1章緒論
1.1課題背景與研究意義
1.1.1NIR光譜技術(shù)概述
1.1.2NIR光譜分析的常見(jiàn)流程
1.1.3存在的問(wèn)題與發(fā)展趨勢(shì)
1.2SDBS概述
1.2.1SDBS原理及特點(diǎn)
1.2.2國(guó)外研究進(jìn)展概況
1.2.3國(guó)內(nèi)研究進(jìn)展概況
1.2.4其他相關(guān)研究
1.3本書(shū)研究目的、內(nèi)容和技術(shù)路線
1.3.1研究目的
1.3.2研究?jī)?nèi)容
1.3.3技術(shù)路線
1.4本章小結(jié)
第2章光譜數(shù)據(jù)庫(kù)常用算法
2.1光譜預(yù)處理算法介紹
2.1.1平滑
2.1.2扣減
2.1.3導(dǎo)數(shù)或微分
2.1.4標(biāo)準(zhǔn)化
2.1.5多元散射校正
2.1.6標(biāo)準(zhǔn)正交變換
2.2NIR光譜特征峰識(shí)別及其參數(shù)計(jì)算
2.2.1NIR光譜的特點(diǎn)
2.2.2峰位
2.2.3峰邊界
2.2.4峰高
2.2.5峰寬
2.2.6峰面積
2.3匹配算法
2.3.1SMA-P
2.3.2SMA-FS
2.4波段選擇
2.4.1經(jīng)驗(yàn)法
2.4.2分段排序法
2.4.3相關(guān)系數(shù)法
2.4.4方差分析法
2.4.5相關(guān)成分分析法
2.4.6基于遺傳算法的波段選擇法
2.4.7CARS波段選擇法
2.5常用建模算法
2.5.1定量建模算法
2.5.2定性建模算法
2.6本章小結(jié)
第3章一種自適應(yīng)平滑算法在蘋果NIR光譜分析中的應(yīng)用
3.1引言
3.2技術(shù)與方法
3.2.1噪聲估算
3.2.2光譜局部波動(dòng)頻率
3.2.3數(shù)據(jù)點(diǎn)權(quán)值
3.2.4一種自適應(yīng)平滑算法
3.2.5光譜特征峰定位及參數(shù)計(jì)算算法改進(jìn)
3.3試驗(yàn)
3.3.1試驗(yàn)樣品
3.3.2光譜儀與參數(shù)設(shè)置
3.3.3SSC檢測(cè)儀
3.3.4支撐試驗(yàn)的軟硬件平臺(tái)
3.4結(jié)果與討論
3.4.1SSC測(cè)量結(jié)果
3.4.2基于DA的分類結(jié)果
3.4.3構(gòu)造各類別的中心光譜
3.4.4算法參數(shù)的確定與優(yōu)選
3.4.5改進(jìn)后算法對(duì)特征波段的保護(hù)
3.4.6假性峰過(guò)濾參數(shù)優(yōu)化
3.4.7基于SMA-P的分類原理
3.4.8基于SMA-P的蘋果樣品分類
3.5本章小結(jié)
第4章基于杰卡德相似性系數(shù)原理的SMA-FS在蘋果分類識(shí)別中的應(yīng)用
4.1引言
4.2方法介紹
4.2.1蘋果樣品NIR光譜的一階導(dǎo)數(shù)
4.2.2一階導(dǎo)數(shù)光譜的預(yù)處理
4.2.3一階導(dǎo)數(shù)二值化
4.2.4JSC
4.2.5JSC在NIR光譜匹配中的應(yīng)用
4.2.6SMA-JSC算法的改進(jìn)
4.3試驗(yàn)
4.3.1試驗(yàn)樣品
4.3.2光譜儀與參數(shù)設(shè)置
4.3.3支撐試驗(yàn)的軟硬件平臺(tái)
4.4結(jié)果與分析
4.4.1S5～S7三類樣品的SSC含量
4.4.2基于DA的S1～S7分類
4.4.3類別中心構(gòu)建
4.4.4基于SMA-JSC的蘋果樣品分類識(shí)別
4.4.5SMA-JSC算法與常用SMA-FS算法的比較
4.4.6基于SMA-JSC算法檢索分析特定樣品的原理
4.4.7分辨率對(duì)SMA-JSC算法的影響
4.4.8改進(jìn)SMA-JSC算法在蘋果分類識(shí)別中的應(yīng)用
4.5本章小結(jié)
第5章NIR-SDBS原型系統(tǒng)開(kāi)發(fā)實(shí)例
5.1概述
5.2NIR-SDBS原型系統(tǒng)分析
5.2.1NIR-SDBS原型系統(tǒng)的需求描述
5.2.2水果NIR-SDBS原型系統(tǒng)的主要用例
5.2.3動(dòng)態(tài)模型（場(chǎng)景時(shí)序圖）
5.2.4靜態(tài)模型（對(duì)象模型）
5.3系統(tǒng)設(shè)計(jì)
5.4對(duì)現(xiàn)有系統(tǒng)的比較
5.5本章小結(jié)
附錄二維碼資源
附錄A中英文對(duì)照表
附錄B部分算法C#代碼
附錄C基于SMA-JSC算法檢索分析特定樣品測(cè)試結(jié)果
參考文獻(xiàn)