在小麥籽粒選種、面粉加工、市場交易、儲藏等領(lǐng)域,如何快速有效得到某種類型小麥的品質(zhì)信息具有非常重要的現(xiàn)實意義。目前獲得的小麥的品質(zhì)信息方法多采用化學(xué)法、X光掃描等方法,但是存在實驗設(shè)備昂貴、實驗周期過長等弊端。小麥蛋白質(zhì)的含量作為小麥品質(zhì)信息主要的表示信息,論文采用近紅外光譜技術(shù)對小麥蛋白質(zhì)含量信息進(jìn)行評價分析,從而降低檢測小麥品質(zhì)信息的成本和處理時間,提高其檢測的適用性和準(zhǔn)確性。論文的具體研究內(nèi)容如下:（1）光譜數(shù)據(jù)預(yù)處理。在對小麥籽粒進(jìn)行光譜的掃描的過程中,存在內(nèi)部因素（儀器）和外部因素（光照、溫度等）對光譜數(shù)據(jù)產(chǎn)生負(fù)面的影響,因此掃描得到的近紅外光譜數(shù)據(jù)中存在部分的干擾信息。如果把引入的干擾信息作為波長信息變量進(jìn)行建模分析勢必會影響建立模型的穩(wěn)定性和預(yù)測性,故需要對小麥籽粒近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理,盡可能的減小內(nèi)部因素和外部因素對光譜數(shù)據(jù)的影響。論文分別采用歸一化（Normalize）、一階導(dǎo)數(shù)（1st Derivative）、二階導(dǎo)數(shù)（2st Derivative）、平滑（Smoothing）、標(biāo)準(zhǔn)正態(tài)（SNV）、多元散射（MSC）、基線（Baseline）、去趨勢（Detre... 

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 論文研究背景與意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 近紅外光譜數(shù)據(jù)變量篩選方法研究
        1.2.2 近紅外光譜檢測模型的建模方法研究
    1.3 本論文研究內(nèi)容與技術(shù)路線
    1.4 論文的組織架構(gòu)
第二章 近紅外光譜分析技術(shù)研究方法
    2.1 光譜預(yù)處理方法
        2.1.1 均值中心化
        2.1.2 歸一化
        2.1.3 Savitzky– Savitzky卷積平滑算法
        2.1.4 導(dǎo)數(shù)算法
        2.1.5 多元散射矯正算法
        2.1.6 標(biāo)準(zhǔn)正態(tài)變量變換
    2.2 檢測模型精度評價方法
        2.2.1 相關(guān)系數(shù)
        2.2.2 交叉驗證均方根誤差
        2.2.3 預(yù)測均方根誤差
        2.2.4 決定系數(shù)
    2.3 實驗數(shù)據(jù)采集
        2.3.1 小麥籽粒光譜數(shù)據(jù)采集
        2.3.2 小麥籽粒蛋白質(zhì)含量采集
    2.4 本章小節(jié)
第三章 光譜數(shù)據(jù)分析方法
    3.1 樣本集的劃分
        3.1.1 K-S算法
        3.1.2 SPXY算法
    3.2 光譜數(shù)據(jù)預(yù)處理
    3.3 提取特征波長
        3.3.1 基于IRIV算法提取特征波長
        3.3.2 基于CARS算法提取特征波長
    3.4 本章小節(jié)
第四章 基于不同模型小麥蛋白質(zhì)定量檢測研究
    4.1 基于近紅外光譜的小麥蛋白質(zhì)PLSR模型分析研究
        4.1.1 基于近紅外光譜小麥蛋白質(zhì)含量PLSR檢測模型
        4.1.2 基于IRIV算法的小麥蛋白質(zhì)含量PLSR檢測模型
        4.1.3 基于CARS算法的小麥蛋白質(zhì)含量PLSR檢測模型
    4.2 基于近紅外光譜的小麥蛋白質(zhì)BP模型分析研究
        4.2.1 基于近紅外光譜小麥蛋白質(zhì)含量BP檢測模型
        4.2.2 基于IRIV算法的小麥蛋白質(zhì)含量BP檢測模型
        4.2.3 基于CARS算法的小麥蛋白質(zhì)含量BP檢測模型
        4.2.4 小節(jié)
    4.3 基于近紅外光譜的小麥蛋白質(zhì)RBF模型分析研究
        4.3.1 基于近紅外光譜小麥蛋白質(zhì)含量RBF檢測模型
        4.3.2 基于IRIV算法的小麥蛋白質(zhì)含量RBF檢測模型
        4.3.3 基于CARS算法的小麥蛋白質(zhì)含量RBF檢測模型
    4.4 基于近紅外光譜的小麥蛋白質(zhì)ELM模型分析研究
        4.4.1 基于近紅外光譜的小麥蛋白質(zhì)ELM檢測模型
        4.4.2 基于IRIV算法的小麥蛋白質(zhì)含量ELM檢測模型
        4.4.3 基于CARS算法的小麥蛋白質(zhì)含量ELM檢測模型
    4.5 本章小節(jié)
第五章 總結(jié)
    5.1 結(jié)論
    5.2 創(chuàng)新點
參考文獻(xiàn)
致謝
作者簡介及攻讀碩士學(xué)位期間發(fā)表論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于IRIV算法優(yōu)選大豆葉片高光譜特征波長變量估測SPAD值[J]. 于雷,章濤,朱亞星,周勇,夏天,聶艷.  農(nóng)業(yè)工程學(xué)報. 2018(16)
[2]最小角回歸算法（LAR）結(jié)合采樣誤差分布分析（SEPA）建立穩(wěn)健的近紅外光譜分析模型[J]. 熊芩,張若秋,李輝,陳萬超,杜一平.  分析測試學(xué)報. 2018(07)
[3]波長色散X射線熒光光譜法分析小麥籽粒中礦質(zhì)元素[J]. 王廣西,胡燕,羅瓊,李丹,陳誠,賴萬昌,翟娟.  分析試驗室. 2017(06)
[4]基于近紅外光譜和ELM算法的菱鎂礦石品級分類研究[J]. 毛亞純,肖冬,程錦甫,江錦紅,BA TUAN LE,劉善軍.  光譜學(xué)與光譜分析. 2017(01)
[5]基于光譜預(yù)處理結(jié)合遺傳算法優(yōu)化波長的面粉水分快速檢測[J]. 孫曉榮,周子健,劉翠玲,付新鑫,竇穎.  食品科學(xué). 2017(16)
[6]可見-近紅外光譜的小麥硬度預(yù)測模型預(yù)處理方法的研究[J]. 惠光艷,孫來軍,王佳楠,王樂凱,戴常軍.  光譜學(xué)與光譜分析. 2016(07)
[7]小麥粒重基因TaGW2-6A等位變異的組成分析及育種選擇[J]. 寇程,高欣,李立群,李揚,王中華,李學(xué)軍.  作物學(xué)報. 2015(11)
[8]小麥籽粒蛋白質(zhì)光譜特征變量篩選方法研究[J]. 李栓明,郭銀巧,王克如,謝瑞芝,戴建國,肖春華,李靜,李少昆.  中國農(nóng)業(yè)科學(xué). 2015(12)
[9]基于CARS變量篩選的固態(tài)發(fā)酵pH值近紅外檢測[J]. 于霜,劉國海,梅從立,江輝,夏榮盛.  計算機與應(yīng)用化學(xué). 2014(09)
[10]蟻群-遺傳算法優(yōu)化近紅外光譜檢測花茶花青素含量的研究[J]. 李艷肖,黃曉瑋,鄒小波,趙杰文,石吉勇,朱瑤迪.  食品安全質(zhì)量檢測學(xué)報. 2014(06)



本文編號：3650763