編輯推薦:

內(nèi)容簡介:　　《近紅外光譜分析技術(shù)與應(yīng)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(chǔ)、特點及應(yīng)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取；第4章介紹基于變量優(yōu)化的近紅外光譜特征選擇方法；第5章介紹基于變量區(qū)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(yīng)用；第9章介紹近紅外光譜特征提取在定性分析中的應(yīng)用。

作者簡介:

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(chǔ) 6
1.2.1 近紅外光譜分析的物理基礎(chǔ) 6
1.2.2 近紅外光譜分析的化學基礎(chǔ) 10
1.2.3 近紅外光譜分析的數(shù)學基礎(chǔ) 16
1.3 近紅外光譜分析技術(shù)的特點 19
1.3.1 近紅外光譜分析譜區(qū)的特點 19
1.3.2 近紅外光譜分析方法的特點 20
1.3.3 近紅外光譜分析儀器的特點 20
1.3.4 近紅外光譜分析應(yīng)用的特點 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(wěn)定性與變動性 23
1.3.7 近紅外光譜分析的學科交叉性 24
1.4 近紅外光譜分析技術(shù)的應(yīng)用 24
1.4.1 近紅外光譜定性分析的應(yīng)用 25
1.4.2 近紅外光譜定量分析的應(yīng)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(guī)則要求 31
2.1.2 采樣的影響因素 32
2.2 數(shù)據(jù)獲取 33
2.2.1 樣本光譜采集 33
2.2.2 樣本基礎(chǔ)數(shù)據(jù)測定 34
2.3 光譜預(yù)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(shù)處理 40
2.3.7 光譜預(yù)處理結(jié)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 線性回歸方法 47
2.6.2 非線性回歸方法 50
2.7 模型精度評價 51
2.7.1 偏差與極差 51
2.7.2 相關(guān)系數(shù) 52
2.7.3 交叉驗證均方根誤差 52
2.7.4 預(yù)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(zhuǎn)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 61
3.2.3 停止條件 63
3.2.4 結(jié)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 64
3.4.1 過濾式特征選擇 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(xiàn)狀 66
3.5.1 變量優(yōu)化選擇法 66
3.5.2 變量區(qū)間選擇法 67
3.5.3 變量信息選擇法 68
3.6 存在的問題 70
3.7 研究趨勢 70
參考文獻 72
第4章 基于變量優(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(jié)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(jié)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(jié)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(jié)果 91
參考文獻 92
第5章 基于變量區(qū)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(jié)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(jié)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(jié)果 101
5.4 移動窗口偏最小二乘法 103
5.4.1 算法原理及步驟 103
5.4.2 算法驗證及結(jié)果 104
5.5 基于向前和向后組合區(qū)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(jié)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(jié)果 111
6.2 蒙特卡羅無信息變量消除法 113
6.2.1 算法原理及步驟 113
6.2.2 算法驗證及結(jié)果 114
6.3 競爭自適應(yīng)重加權(quán)法 115
6.3.1 算法原理及步驟 115
6.3.2 算法驗證及結(jié)果 117
6.4 連續(xù)投影法 118
6.4.1 算法原理及步驟 118
6.4.2 算法驗證及結(jié)果 119
6.5 基于變量評價指標的集成連續(xù)投影法 121
6.5.1 算法原理及步驟 121
6.5.2 算法驗證及結(jié)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(quán)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(shù)選擇 139
7.4.4 模型預(yù)測性能分析 140
7.5 本章小結(jié) 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(yīng)用 150
8.1 近紅外光譜技術(shù)中豬肉新鮮度檢測的研究現(xiàn)狀 150
8.2 實驗方案 151
8.2.1 樣品制備 151
8.2.2 光譜采集 152
8.3 光譜特征區(qū)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(yù)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(jié)果分析與結(jié)論 159
8.4.1 模型預(yù)測結(jié)果分析 159
8.4.2 PLS模型對豬肉新鮮度評定結(jié)果 160
8.4.3 結(jié)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(yīng)用 163
9.1 近紅外光譜技術(shù)茶葉鑒別分析的研究現(xiàn)狀 163
9.2 基于近紅外的改進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(qū)間篩選方法研究 167
9.4.1 光譜預(yù)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(jié)果分析與結(jié)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(jié)合SVM用于鑒別西湖龍井茶葉真?zhèn)蔚男阅芊治?nbsp;172
參考文獻 173