光譜技術(shù)在農(nóng)作物\農(nóng)產(chǎn)品信息無(wú)損檢測(cè)中的應(yīng)用

1 概述
1．1 農(nóng)作物／農(nóng)產(chǎn)品信息的光譜技術(shù)檢測(cè)
1．1．1 光譜技術(shù)在農(nóng)作物檢測(cè)中的應(yīng)用
1．1．2 光譜技術(shù)在農(nóng)作物農(nóng)藥殘留檢測(cè)中的應(yīng)用
1．2 農(nóng)作物／農(nóng)產(chǎn)品信息的電特性技術(shù)檢測(cè)
1．2．1 介電特性技術(shù)在水果品質(zhì)檢測(cè)中的應(yīng)用
1．2．2 介電特性技術(shù)在糧食含水率檢測(cè)中的應(yīng)用
1．2．3 介電特性在葉片含水率檢測(cè)中的應(yīng)用
參考文獻(xiàn)
2 光譜預(yù)處理算法
2．1 savitzky-Golay多項(xiàng)式平滑
2．2 移動(dòng)平均平滑
2．3 多元散射校正算法
2．4 標(biāo)準(zhǔn)正態(tài)變量變換和去趨勢(shì)算法
2．5 導(dǎo)數(shù)變換算法
2．6 正交信號(hào)校正算法
2．7 小波閾值
2．8 小波分段
參考文獻(xiàn)
3 光譜特征選取方法
3．1 逐步回歸分析
3．2 連續(xù)投影算法
3．3 權(quán)重回歸系數(shù)法
3．4 主成分分析
3．5 競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法
3．6 LDA算法
3．7 LPP算法
3．8 SLPP算法
3．9 離散小波變換
3．10 分段離散小波變換
參考文獻(xiàn)
4 定性分析方法
4．1 支持向量機(jī)
4．2 K最近鄰分類器
4．3 Adaboost-SVM及Adaboost-KNN
4．4 MSCPSO-SVM
4．5 極限學(xué)習(xí)機(jī)
4．6 Fisher判別分析
4．7 馬氏距離判別分析
參考文獻(xiàn)
5 定量分析方法
5．1 一元回歸算法
5．2 多元線性回歸
5．3 BP神經(jīng)網(wǎng)絡(luò)及改進(jìn)算法
5．3．1 BP神經(jīng)網(wǎng)絡(luò)
5．3．2 基于貝葉斯算法的BP網(wǎng)絡(luò)
5．3．3 基于L-M算法的BP網(wǎng)絡(luò)
5．3．4 遺傳神經(jīng)網(wǎng)絡(luò)
5．3．5 基于思維進(jìn)化優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
5．3．6 PNN神經(jīng)網(wǎng)絡(luò)
5．3．7 GA—PNN神經(jīng)網(wǎng)絡(luò)
5．4 支持向量機(jī)回歸算法及其改進(jìn)
5．4．1 支持向量機(jī)回歸算法
5．4．2 GA-LS-SVM算法
5．5 ABC-SVR
參考文獻(xiàn)
6 水稻信息檢測(cè)
6．1 樣本培育
6．1．1 栽培方法
6．1．2 水稻光譜數(shù)據(jù)測(cè)定
6．1．3 水稻葉片水分含量與氮素含量的測(cè)定