水產(chǎn)養(yǎng)殖已經(jīng)成為我國發(fā)展最快的食品生產(chǎn)行業(yè)之一,為保障食物供給、促進經(jīng)濟增長做出了巨大貢獻。然而,由于水產(chǎn)養(yǎng)殖的水質(zhì)污染日趨嚴(yán)重,不但給社會經(jīng)濟和食品安全造成巨大的影響,而且嚴(yán)重制約了我國水產(chǎn)養(yǎng)殖業(yè)的可持續(xù)發(fā)展。作為智能農(nóng)業(yè)和農(nóng)業(yè)物聯(lián)網(wǎng)的重要研究內(nèi)容,水產(chǎn)養(yǎng)殖水質(zhì)信息的快速、準(zhǔn)確獲取,對于實現(xiàn)水產(chǎn)健康養(yǎng)殖至關(guān)重要。在對水產(chǎn)養(yǎng)殖的水質(zhì)進行評價時,水體的有機物濃度-化學(xué)需氧量(COD)是一項重要指標(biāo),目前傳統(tǒng)的COD測定方法存在著分析時間長、需要消耗試劑以及產(chǎn)生二次污染等缺點,因此研究和開發(fā)水產(chǎn)養(yǎng)殖水質(zhì)COD的快速檢測方法成為了現(xiàn)代農(nóng)業(yè)需要解決的關(guān)鍵問題。 近年來,應(yīng)用紫外光譜和近紅外光譜技術(shù)進行水質(zhì)檢測成為國內(nèi)外研究的熱點,這是由于光譜技術(shù)是一種快速、低成本、無損分析技術(shù),已經(jīng)被廣泛應(yīng)用于食品,醫(yī)藥,化工以及環(huán)境檢測等領(lǐng)域。 本論文以水產(chǎn)養(yǎng)殖水質(zhì)為研究對象,應(yīng)用紫外光譜和近紅外光譜分析技術(shù),結(jié)合化學(xué)計量學(xué)方法以及數(shù)據(jù)融合技術(shù),開展水產(chǎn)養(yǎng)殖水質(zhì)COD檢測研究,并在此基礎(chǔ)上建立了水產(chǎn)養(yǎng)殖水質(zhì)COD的快速檢測分析模型,為實現(xiàn)水產(chǎn)養(yǎng)殖環(huán)境的實時監(jiān)控提供了理論和技術(shù)依據(jù)。在當(dāng)前水產(chǎn)養(yǎng)殖水質(zhì)污染嚴(yán)重...

【文章頁數(shù)】：102 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
Abstract
目錄
圖目錄
表目錄
縮略詞表
1 緒論
    提要
    1.1 課題的研究背景和意義
    1.2 水質(zhì)COD常規(guī)檢測技術(shù)的研究現(xiàn)狀
        1.2.1 重鉻酸鹽法
        1.2.2 高錳酸鹽法
        1.2.3 快速消解分光光度法
    1.3 水質(zhì)COD光譜技術(shù)檢測的研究進展
        1.3.1 基于紫外光譜技術(shù)的水質(zhì)COD檢測技術(shù)研究進展
        1.3.2 基于近紅外光譜技術(shù)的水質(zhì)COD檢測技術(shù)研究進展
        1.3.3 基于數(shù)據(jù)融合的水質(zhì)COD檢測技術(shù)研究進展
    1.4 國內(nèi)外研究中存在的主要問題
    1.5 論文的研究目標(biāo)和內(nèi)容
        1.5.1 主要研究內(nèi)容
        1.5.2 技術(shù)路線
    1.6 本章小結(jié)
2 試驗材料和方法
    提要
    2.1 試驗材料
    2.2 試驗設(shè)備及儀器
        2.2.1 Cary 60紫外可見光分光光度計
        2.2.2 Nexus傅立葉近紅外光譜儀
    2.3 水樣COD值實驗室測量方法
        2.3.1 測量方法
        2.3.2 測量原理
        2.3.3 測量步驟
    2.4 光譜預(yù)處理算法
        2.4.1 Savitzky-Golay平滑算法
        2.4.2 變量標(biāo)準(zhǔn)化
        2.4.3 多元散射校正
        2.4.4 一階和二階求導(dǎo)預(yù)處理
    2.5 光譜特征波段選擇算法
        2.5.1 連續(xù)投影算法
        2.5.2 無信息變量去除算法
    2.6 光譜化學(xué)計量學(xué)建模算法
        2.6.1 多元線性回歸
        2.6.2 偏最小二乘法
        2.6.3 最小二乘支持向量機(LS-SVM)
        2.6.4 人工神經(jīng)網(wǎng)絡(luò)
    2.7 模型評價指標(biāo)
    2.8 本章小結(jié)
3 基于紫外光譜的水產(chǎn)養(yǎng)殖水質(zhì)COD快速檢測研究
    提要
    3.1 水產(chǎn)養(yǎng)殖水樣的紫外光譜采集和光譜特性分析
        3.1.1 水樣的紫外光譜數(shù)據(jù)采集
        3.1.2 水樣的紫外光譜特性分析
    3.2 養(yǎng)殖水質(zhì)COD檢測的紫外光譜全波段建模研究
        3.2.1 水質(zhì)COD檢測的紫外光譜全波段PLS模型
        3.2.2 水質(zhì)COD檢測的紫外光譜全波段LS-SVM和BP-ANN模型
    3.3 養(yǎng)殖水質(zhì)COD檢測的紫外光譜特征波段建模研究
        3.3.1 基于UVE的水質(zhì)COD紫外光譜特征波段提取
        3.3.2 基于UVE提取的紫外光譜特征波段的水質(zhì)COD預(yù)測建模
        3.3.3 基于SPA的水質(zhì)COD紫外光譜特征波段提取
        3.3.4 基于SPA提取的紫外光譜特征波段的水質(zhì)COD預(yù)測建模
    3.4 本章小結(jié)
4 基于近紅外光譜的水產(chǎn)養(yǎng)殖水質(zhì)COD快速檢測研究
    提要
    4.1 水產(chǎn)養(yǎng)殖水樣的近紅外光譜采集和光譜特性分析
        4.1.1 水樣的近紅外光譜數(shù)據(jù)采集
        4.1.2 水樣的近紅外光譜特性分析
    4.2 養(yǎng)殖水質(zhì)COD檢測的近紅外光譜全波段建模研究
        4.2.1 水質(zhì)COD檢測的近紅外光譜全波段PLS模型
        4.2.2 水質(zhì)COD檢測的近紅外光譜全波段LS-SVM和BP-ANN模型
    4.3 養(yǎng)殖水質(zhì)COD檢測的近紅外光譜特征波段建模研究
        4.3.1 基于UVE的水質(zhì)COD近紅外光譜特征波段提取
        4.3.2 基于UVE提取的近紅外光譜特征波段的水質(zhì)COD預(yù)測建模
        4.3.3 基于SPA的水質(zhì)COD近紅外光譜特征波段提取
        4.3.4 基于SPA提取的近紅外光譜特征波段的水質(zhì)COD預(yù)測建模
    4.4 本章小結(jié)
5 基于多源光譜融合的水產(chǎn)養(yǎng)殖水質(zhì)COD快速檢測研究
    提要
    5.1 基于數(shù)據(jù)級多源光譜融合的養(yǎng)殖水質(zhì)COD檢測研究
        5.1.1 基于數(shù)據(jù)級多源光譜融合的養(yǎng)殖水質(zhì)COD檢測的PLS模型
        5.1.2 基于數(shù)據(jù)級多源光譜融合的養(yǎng)殖水質(zhì)COD檢測的LS-SVM模型
        5.1.3 基于數(shù)據(jù)級多源光譜數(shù)據(jù)融合的養(yǎng)殖水質(zhì)COD檢測的BP-ANN模型
    5.2 基于特征級多源光譜融合的養(yǎng)殖水質(zhì)COD檢測研究
        5.2.1 基于特征級光譜融合的養(yǎng)殖水質(zhì)COD檢測的PLS模型
        5.2.2 基于特征級多源光譜融合的養(yǎng)殖水質(zhì)COD檢測的LS-SVM模型
        5.2.3 基于特征級多源光譜數(shù)據(jù)融合的養(yǎng)殖水質(zhì)COD檢測的BP-ANN模型
    5.3 本章小結(jié)
6 結(jié)論與展望
    提要
    6.1 主要研究結(jié)論
    6.2 論文主要創(chuàng)新點
    6.3 進一步研究的展望
參考文獻
作者簡介



本文編號：3927858