一、中药材三七提取液近红外光谱的支持向量机回归校正方法（论文文献综述）
邬云飞,栾小丽,刘飞[1]（2022）在《基于迁移学习的2,6-二甲酚纯度近红外光谱在线检测》文中认为使用近红外光谱分析技术,对2,6-二甲酚（2,6-DMP）单体分离工段精馏提纯过程的产品纯度进行在线检测。由于2,6-DMP产品塔的产品纯度较高（通常为99.10%～99.95%）,样本的纯度值集中分布在一个较小的范围,样本数据之间的变异系数小,样本之间的区分度低,导致所采集光谱与产品纯度之间缺乏相关性,因而无法建立可靠的近红外模型。为了准确检测2,6-DMP产品塔的产品纯度,从而对产品质量进行实时调控,引入迁移学习算法,充分利用2,6-DMP精馏提纯过程中不同塔之间近红外光谱数据的相似性,借助于其他塔中较低2,6-DMP纯度的近红外光谱数据,改善产品塔中较高2,6-DMP纯度的近红外模型性能。通过对某合成材料公司2,6-DMP精馏提纯过程的产品纯度建立近红外在线检测模型,验证了所提方法的有效性。分析结果表明,借助于不同样本数量以及纯度范围的近红外光谱数据,所建模型精度有所不同,说明迁移学习算法不仅可以有效解决样本区分度低情形下的建模问题,且建模精度与所借助光谱的样本数量以及纯度范围密切相关。
陈泽麒[2]（2021）在《基于数据驱动和机理模型的丹参提取过程监控方法研究》文中研究表明提取工艺是中药制药过程的重要单元,提取液的质量会直接影响最终产品的质量,因此在其生产过程中实施过程监控以保证提取液质量,对提升中药产品质量具有重要意义。本研究以丹参药材为研究对象,利用天然产物传质规律、丹酚酸降解规律、实验设计（Design of Experiment,Do E）以及过程分析技术（Process Analytical Technology,PAT）建立了丹酚酸的提取动力学模型和快速定量模型,并进一步开发了用于丹参提取过程监控的程序,实现了丹参提取过程丹酚酸含量的实时监控。本研究主要内容及学术成果如下:1.对丹参提取过程动力学进行初步研究,以Fick第一扩散定律、分配平衡以及内外传质建立传质模型,同时进一步将传质模型与丹酚酸降解动力学模型相结合,推导出丹酚酸B（Salvianolic acid B,SAB）、紫草酸（Lithospermic acid,LA）和丹参素（Danshensu,DSS）的提取动力学模型。采用敏感性分析对模型性能进行评价,预测相对误差在5%以内,说明模型具有较好的预测性能。此外,进一步考察了溶剂倍量、搅拌、温度对丹酚酸传质和降解规律影响。2.采用数据驱动结合机理研究方法建立了丹酚酸B、丹酚酸E（Salvianolic acid E,SAE）、紫草酸、丹酚酸A（Salvianolic acid A,SAA）、丹参素五个成分的提取动力学模型。首先,在上述研究基础上优化了提取机理模型;接着,通过响应曲面法（Response Surface Method,RSM）考察了温度、p H和氮气流量与丹酚酸提取动力学参数间的定量关系;最后,对响应曲面法结果进一步优化建立提取动力学模型。模型验证表明,预测值与测量值接近,说明模型可预测丹参提取过程丹酚酸含量变化规律。3.采用层次多变量分析（Hierarchical Multivariate Analysis,HMA）方法结合近红外（Near Infrared,NIR）光谱和工艺参数,建立起丹参提取过程丹酚酸含量快速定量模型。通过主成分分析（Principal Component Analysis,PCA）对NIR光谱数据进行降维,以提高工艺参数在建模中权重,并采用支持向量回归（Support Vector Regression,SVR）建立工艺参数、主成分得分、丹酚酸含量间非线性定量关系。与传统偏最小二乘（Partial Least Squares,PLS）方法相比,有效降低了工艺参数改变对模型预测性能的影响,建立的模型具有更好的稳定性和预测性能。4.基于Labview建立了丹参提取过程监控程序,可用于丹酚酸提取动力学模型拟合、快速定量模型训练以及丹参提取过程实时监控,并提出丹参提取过程质量一致性控制策略。
应仰威[3]（2019）在《化学计量学在微波等离子体炬原子发射光谱分析中的应用研究》文中研究表明微波等离子体炬（Microwave Plasma Torch,MPT）是继电感耦合等离子体（Inductively Coupled Plasma,ICP）后发展起来的一种新型激发光源。作为我国的一项原创技术,自1985年发明以来,已引起国内外学者的广泛关注和研究。最新的研究表明,MPT可在千瓦级微波功率下形成氩、氦、氮乃至空气等离子体,对部分元素的检测性能已经与ICP相近。因此,千瓦级MPT光谱仪在诸如食品安全、环境保护等领域中具有切实的应用前景。由于MPT原子发射光谱背景比较复杂,难免存在波长偏移、背景干扰等缺陷,这些问题严重影响着MPT光谱法测量结果的准确性。另外,在分析复杂样品时需要建立多种元素的标准工作曲线,仪器的参数优化一般通过单次单变量调节,但样品制备复杂、测量时间较长,极大限制了 MPT的应用和发展。基于此,本文从化学计量学角度出发,通过实验设计、数据预处理、数据分析建模等一系列研究,对MPT光谱技术进行了深入分析并应用于解决实际问题,主要取得以下创新性成果:（1）为了获取可靠的光谱数据,提出通过偏移校正、谱线平滑、特征提取等算法校正MPT光谱背景和测量误差。首次提出将单纯形法用于MPT光谱仪的实验条件参数优化,为实验设计优化提供了理论依据。实现了实验条件参数快速寻优,在一定程度上提高了仪器的检测性能。（2）在对MPT光谱特征进行深入研究的基础上,首次将化学计量学方法系统地应用于人参的产地溯源。通过对比支持向量机（Support Vector Machine,SVM）和高斯过程分类（Gaussian Process Classification,GPC）两种模型的分类效果,表明SVM模型具有较好的分类能力和检测结果,展现了将MPT光谱与化学计量学相结合用于解决实际问题的应用前景。（3）提出将MPT与支持向量回归（Support Vector Regression,SVR）模型相结合,用于人参关键元素含量预测和质量评价。为解决传统SVM采用网格搜索参数存在效率低的问题,将遗传算法（Genetic Algorithm,GA）和粒子群优化算法（Particle Swarm Optimization,PSO）用于改进SVR模型的参数寻优。相比于偏最小二乘法等回归方法,SVR表现出优异的预测性能,进一步体现了将MPT光谱与化学计量学相结合在生物样品分析中的应用优势。（4）为全面理解MPT的光谱特征,将主成分分析（Principal Component Analysis,PCA）用于MPT原始光谱数据的处理与分析。同时结合高斯过程回归（Gaussian Process Regression,GPR）研究了预测值输出的概率意义。通过高斯回归模型给出预测值的置信区间,直观分析预测结果的可信度。同时讨论并分析训练集的采样对结果的影响,采用数据子集（Subset of Datapoints,SD）、映射过程（Projected Process,PP）、回归量子集（Subset of Regressors,SR）等三种近似法降低数据计算量,以提高建模效率。
刘晓瑜[4]（2019）在《基于卷积神经网络的新鲜-冷冻猪肉近红外光谱检测研究》文中研究表明猪肉是全球最喜爱食用的肉类之一,随着人民生活水平的不断提高,人们在猪肉消费的过程中对质量和安全提出了更严格的要求。目前市场上出现的冷冻肉冒充新鲜肉现象所带来的安全隐患和品质问题引起了人们极大的关注。与感官分析、理化检测等传统鉴别方法相比,近红外光谱分析技术拥有无损、快速、绿色等众多优势。提高检测的准确度与稳定性是近红外光谱分析技术的关键所在,目前对预测性能的优化研究基本聚焦在光谱数据预处理以及有效特征波段的筛选等方法上,而对相关光谱预测模型的提出与改进方面少有涉足。卷积神经网络（Convolution Neural Networks,CNN）是一个拥有高性能和深度结构的学习模型,与传统神经网络不同的是,其将特征提取和模型训练两个过程有机的结合在一起,从多维且冗杂的光谱数据里面自动获取相关的重要信息用于训练,避免了复杂的特征工程和繁琐的数据预处理工作。因此,本研究创新性的将卷积神经网络算法引入近红外光谱分析,并应用在新鲜-冷冻猪肉判别方向。首先,利用近红外光谱仪分别采集新鲜与冷冻不同天数的猪肉样本光谱曲线,经过对异常样品的剔除等预处理操作,得到本实验的数据集;然后,通过系列实验,设计并优化卷积神经网络模型,实验表明,使用基于卷积神经网络的判别模型可以获得比传统模型更好的预测精度,准确率达到97%,验证了基于卷积神经网络的新鲜-冷冻猪肉判别模型的可行性与有效性;其次,考察了不同预处理方法、不同训练集数量对模型的影响,从多个角度对卷积神经网络模型的优势进行分析;最后,本文基于Python语言的Keras神经网络框架,设计并实现了一个基于卷积神经网络的新鲜-冷冻猪肉判别系统,能够对采集到的猪肉光谱进行在线、实时判别。
詹威[5]（2019）在《不相关多源未知载荷下线性系统振动响应预测》文中指出多源随机载荷激励下,结构的频域振动响应预测问题一直是动力学领域的研究热点和难点。但目前的研究都是基于多源载荷已知条件下进行的,不能应用于多源未知载荷条件下的振动响应预测。为了解决在多源未知载荷条件下结构的振动频域响应预测这一问题,本文提出了在不相关多源未知载荷条件下的线性系统振动频域响应预测方法,主要研究内容包括:（1）提出了在多源未知载荷条件下的未测结点的振动频域响应预测问题,并对该问题进行物理解释和形式化描述,将其转化为数学模型,从理论上给出了该问题解存在的条件。通过振动台和球形噪声源联合激励下的悬挂圆柱壳结构的振动响应实验,采集不同量级下的载荷和振动响应实测频域数据,构造了不相关多源未知载荷下线性系统频域振动响应预测数据集,并给出了预测的振动响应数据与真实的振动响应数据作误差比较的评价标准。（2）通过对基于传递函数和最小二乘广义逆的不相关多源载荷识别方法和基于传递函数的振动响应预测方法的组合,提出了基于载荷识别和传递函数的频域振动响应预测方法。在多源载荷未知情况下,该方法首先利用已知点的振动响应和已知响应测点到载荷点的传递函数进行不相关多源载荷的识别,然后再基于载荷点到未测振动响应测点的传递函数进行振动响应预测。在圆柱壳实验数据上的验证结果表明,该方法的精度较高,但需要传递函数已知,应用范围较窄。（3）提出了基于多元线性回归的频域振动响应预测方法。通过理论推导,发现对于线性时不变系统,已知点的振动响应和未测振动结点的振动响应之间也存在线性关系。在此基础上,将已知测点振动响应作为输入,未测结点振动响应作为输出,采用历史数据作为训练集,训练得到已知测点振动响应和未测结点振动响应之间的多元线性回归模型。在实际工作状态下,将已知测点振动响应输入多元线性回归模型,模型的输出即可作为未测结点的振动响应预测值。在圆柱壳实验数据上的验证结果表明,该方法的精度基本满足工程应用要求,但在共振频域处误差较大。（4）提出了基于多元线性回归模型改进的振动响应预测的方法。首先,分析了基于多元线性回归的频域振动响应预测方法在共振频域处预测误差较大的原因:已知测点存在强相关性不符合多元线性回归模型各个输入变量之间线性无关的、共振频率处条件数大。为了解决这些问题,分别尝试了偏最小二乘模型、多输入多输出LS-SVM模型。在圆柱壳实验数据上的验证结果表明,这些方法的精度比基于多元线性回归的频域振动响应预测方法更高。最后,本文从理论、适用条件和范围、性能、预测误差综合对比了以上各种方法的优缺点,分析了目前研究的不足,并展望了后期于非线性系统研究的可能性与思路的说明。
贾明静[6]（2019）在《红外模型结合化学计量学用于食品及药品掺假及安全检测》文中提出在食品和药品行业,非法生产商为了获取暴利,在食品和药品的生产原材料中掺入廉价的、甚至有毒有害的原料,来实现自己的利益最大化。这些导致食品的安全性、药品的安全性和药效性均得不到保证。然而仅从外观我们根本无法辨别这些掺假的食品药品,需要借助一定的仪器、方法来对食品及药品进行质量的监控和管理。目前国内外传统的食品及药品检测方法主要有气相色谱-串联质谱法、高效液相色谱法、气相色谱-质谱联用法、液相色谱-串联质谱法等,这些方法具备很多优势,如灵敏度高、检测限低等,但这些方法同时也具备一些不足,如检测时间长、前处理方法繁琐等。而采用红外光谱法对食品和药品进行分析检测,没有分离和提取这些繁琐的步骤,也不会对样品造成损害,可以快速地得到分析结果,高效地鉴别掺假样品,大幅度提高检测效率。本论文主要研究的是食品和药品中的掺假问题,利用红外光谱结合化学计量学模型来对食品和药品进行分析与研究,以寻求一种简便、快捷、环保的食品及药品质量检测方法,为我国食品及药品的品质监管提供参考的依据。具体研究成果如下:1、采集不同厂家不同批次的柏子养心丸和牛黄解毒丸的红外光谱数据,采用并比较了标准正态变换、平滑处理、导数、多元散射校正等光谱预处理方法的效果,然后利用主成分分析（PCA）、非负矩阵因子分解（NMF）等方法对预处理后的光谱数据进行模式识别分析。结果表明:采用导数预处理方法结合主成分分析方法可以实现对两种药物的快速鉴别。2、采集正常儿童奶粉、三聚氰胺以及掺入不同比例三聚氰胺的掺假奶粉的红外光谱数据,采用并比较了归一化、数据正规化、平滑处理、导数等预处理方法的效果,然后利用化学计量学中的K-Means、主成分分析（PCA）、非负矩阵因子分解（NMF）等方法对预处理后的光谱数据进行判断分析。结果表明:采用归一化、一阶导数、二阶导数的预处理方法结合主成分分析方法均能实现常规奶粉和掺假奶粉的快速鉴别。3、综上所述,红外模型结合化学计量学对食品及药品掺假的分析与研究均取得了较好的结果,可以为我国食品及药品的质量监管提供有效的手段。
李晶晶[7]（2018）在《近红外光谱技术在中草药口服液量控制过程中的应用研究》文中研究表明近红外光谱（NIR）法是制药工业领域中应用最为广泛的过程分析技术（PAT）,在中草药产品质量的实时在线检测和控制中越来越受到重视。与化学药相比,中草药具有组成的复杂性和生产加工过程的特殊性,对使用化学计量学建立NIR预测模型及模型在实际生产中的应用提出了新的挑战。本文的研究目的在于突破该挑战,主要内容如下:第一,以某企业生产的某中草药口服液为研究对象,使用系统工程的方法采用GA-PLS算法完成该口服液中两个重要质量指标（多糖和蒽醌）的近红外定量模型。这两个质量指标在近红外光谱区没有明显的特征吸收峰,使用传统方法建立模型预测性能较差,本文使用多种预处理方法与选波段方法相结合的方式,对有效建模波段进行选择,结合生产中可能对建模造成影响的各环节使用化学计量学的方法建立准确性较高、稳健性较好的多糖及蒽醌模型。多糖模型的预处理方法为Detrend（linear）,蒽醌模型的预处理方法为一阶求导w=3,二者均使用GA算法进行有效波段的选择,所建立模型对训练数据、验证数据及生产中采集的盲样数据预测值与实际值间的相对误差均控制在10%以内,此误差范围达到该企业生产质量控制过程的验收标准,并且也是目前文献报道中复方中草药中多糖含量预测误差最小的。第二,对模型在实际应用过程中的通用性进行了研究。1、平行装置上平行探头模型间的通用性研究:使用平行探头中的1号探头采集的数据建模,使用该模型对2号探头采集的数据预测,预测性能较差,结合PCA及T2-Q统计分析得出结论:平行探头模型间的通用性较差。提出两个解决方案:（1）平行探头采集的数据建立各自的单探头模型,再将各单探头模型应用于相应的探头。此方案可进行数据的准确预测,但缺点是需采集大量数据,建模过程及模型维护与更新耗费巨大的人力物力。（2）将平行探头采集的数据混合用作建模数据,建立一个双（多）探头模型,再将此模型应用于各探头。此方案既可对数据进行准确预测,与方案（1）相比又可节省大量人力物力。2、更换探头前后模型的通用性研究:使用原探头采集的数据（采集周期足够长,建议为1年）建模,使用该模型对新探头采集的数据预测,预测性能较好;再使用原探头采集的数据（采集周期较短,本文为3个月）建模,对新探头采集的数据预测,预测性能较差,结合PCA及T2-Q统计分析得出结论:在原模型建模数据的采样时间足够长（建议为1年）时,更换探头前后模型的通用性较好。第三,当只有产品不变、质量指标不变其它条件全部改变时,如生产地点、设备、探头采样方式等,新条件下的光谱会发生吸光度差异及光谱漂移,探究了该条件下的模型转移。使用DS算法对新条件下采集的光谱进行校正,使之转化为相当于原条件下采集的光谱,再使用原模型预测,预测值与实际值的相对误差可控制在10%的误差内。这解决了近红外光谱模型在中草药质量监控实际应用过程中的重要问题,避免了重新建模所带来的一系列问题,节省了大量人力物力。
周昭露[8]（2017）在《近红外光谱在中药质量控制中的应用研究》文中研究说明近红外光谱（NIR）法是制药工业领域应用最为广泛的过程分析技术（PAT）,在中药产品质量的在线实时检测和控制中越来越受到重视。和化学药相比,中药组成的复杂性和生产加工过程的特殊性,对利用化学计量学建立NIR预测模型,提出了新的挑战。本文的研究目的就在于突破该挑战,主要内容如下:第一,近红外光谱采集条件光纤长度、温度对口服液多糖定量模型的的影响。1)比较了不同光纤长度以及预处理方法对口服液中多糖定量模型性能的影响。不同光纤长度的光谱均经过一阶微分（1st Derivative）和去趋势（Detrend）组合预处理以后模型的拟合能力好,但预测能力差。进而,比较不同光纤长度下遗传算法（GA）选择变量对模型性能的影响,结果发现,较短光纤长度下多糖定量模型的预测性能更好。表明光纤长度对口服液多糖模型性能造成影响,选择合适的光纤长度能够提升近红外定量模型的准确性。2)考察温度对口服液中多糖定量模型的影响。对不同温度样品光谱经过一阶微分预处理以后做主成分分析（PCA）,发现两种温度下的光谱有聚成两类的趋势。不同温度样品的光谱分别经过预处理、变量选择以后建立模型,两种温度下建立的多糖定量模型性能和预测能力差不多,但是模型间的通用性不强。用两种温度下样品的数据建立混合模型,混合模型能对两种温度下的样品准确预测。可见在近红外在线应用过程中应当控制采样温度在一定的范围内,从而保障模型预测的准确性。第二,以复方中药口服液为研究对象,针对其生产过程中的配制环节,采用在线近红外光谱技术建立其指标成分（多糖含量、可溶性固形物含量、pH值）的定量模型。口服液中功效成分多糖在近红外区没有特征吸收峰,传统方法建立的模型预测性能不好。在这部分综合考虑多种预处理方法和变量选择方法对模型性能的影响,筛选多糖的特征吸收峰。光谱数据经过1st Derivative和Detrend组合预处理,GA选择变量之后,Rc2为0.969,预测相对误差小于10%,该误差符合生产过程质量控制的要求,也是目前文献报道复方中药多糖含量预测误差最小的。最后介绍了模型在线应用系统的设计理念以及用T2-Q识别异常数据,对近红外光谱技术在中药质量控制领域有借鉴意义。第三,以中药口服液为研究对象,针对其生产过程中的浓缩环节,采用GA-PLS方法建立了预测性好的浓缩液多糖含量、固形物含量的定量模型,可用于在线控制中药浓缩液的质量。
李文龙,瞿海斌[9]（2017）在《近红外光谱应用于中药质量控制及生产过程监控的研究进展》文中指出目前中药生产过程存在原料质量波动较大、制药过程模糊等问题。近红外光谱分析技术具有信息丰富、分析快速、样品无损等特点,近年来已成功运用于中药材、中间体、中成药等定量分析,中药的真伪、基源、产地、生产厂家等鉴别,以及中药提取、醇沉、柱层析、混料等生产过程的监控。本文对近红外光谱分析技术在中药领域的应用进行综述,并针对其应用中缺乏必要的标准等问题,提出结合中药具体特点来开展近红外光谱分析技术的规范化研究,以期推动该技术在中药行业更为广泛的应用。
周昭露,李杰,黄生权,田淑华,刘玉娇,鲁亮,张扬,黄延盛,王学重[10]（2016）在《近红外光谱技术在中药质量控制应用中的化学计量学建模:综述和展望》文中研究指明近红外光谱（NIR）是制药工业领域应用最为广泛的过程分析技术（PAT）,在中药产品质量的在线实时检测和控制中越来越受到重视。和化学药相比,由于中药组成的复杂性和生产加工过程的特殊性,对利用化学计量学建立NIR预测模型,提出了新的挑战。本文对NIR在中药质量控制应用中的化学计量学建模方法和技术进行了综述并对未来发展做了展望。综述涉及到NIR数据的采集、预处理、分组,特征波段自动选取,建模以及模型的验证和评价。讨论了平滑、导数、标准化算法、数据增强算法和主元分析等预处理方法对模型影响。特征波段的选取述及间隔偏最小二乘、遗传算法、无信息变量消除、随机蛙跳法、竞争自适应重加权采样和重要变量投影法等;建模方法论及线性和非线性技术包括主元回归、偏最小二乘回归、人工神经网络和支持向量机回归等。未来的NIR建模平台应该是一个在后台集成各种复杂的数学算法和实现数据的无缝共享,面向用户的前台则是友好、简单、智能的半自动界面环境。论述结合具体的实例进行。
二、中药材三七提取液近红外光谱的支持向量机回归校正方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、中药材三七提取液近红外光谱的支持向量机回归校正方法（论文提纲范文）
（1）基于迁移学习的2,6-二甲酚纯度近红外光谱在线检测（论文提纲范文）
| 引言 |
| 1 2,6-DMP精馏提纯过程 |
| 2 基于迁移学习的2,6-DMP纯度建模 |
| 2.1 光谱采集与预处理 |
| 2.2 基于实例的迁移学习回归算法 |
| 2.3 偏最小二乘回归算法 |
| 3 仿真分析 |
| 4 结论 |
（2）基于数据驱动和机理模型的丹参提取过程监控方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略语 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 提取动力学模型研究进展 |
| 1.2.1 药材提取传质动力学模型 |
| 1.2.2 丹酚酸降解动力学模型 |
| 1.3 过程分析技术 |
| 1.4 过程控制 |
| 1.5 研究思路与内容 |
| 2 丹参提取过程动力学模型初步研究 |
| 2.1 引言 |
| 2.2 实验部分 |
| 2.2.1 仪器与试剂 |
| 2.2.2 实验方法 |
| 2.2.3 数据处理 |
| 2.3 结果与讨论 |
| 2.3.1 药材属性测定结果 |
| 2.3.2 丹酚酸B提取动力学模型考察 |
| 2.3.3 紫草酸和丹参素提取动力学模型 |
| 2.4 小结 |
| 3 结合数据驱动和机理模型研究丹参提取动力学过程 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 仪器与试剂 |
| 3.2.2 实验方法 |
| 3.2.3 数据处理 |
| 3.3 结果与讨论 |
| 3.3.1 药材属性测定结果 |
| 3.3.2 丹酚酸动力学模型参数拟合 |
| 3.3.3 响应曲面法分析 |
| 3.3.4 回归系数优化 |
| 3.3.5 模型验证 |
| 3.4 小结 |
| 4 基于近红外光谱和工艺参数建立丹酚酸含量快速分析方法 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 仪器与试剂 |
| 4.2.2 实验方法 |
| 4.2.3 数据处理 |
| 4.3 结果与讨论 |
| 4.3.1 样本采集和划分 |
| 4.3.2 层次多元分析模型建立 |
| 4.3.3 偏最小二乘模型建立 |
| 4.3.4 HMA-SVR模型和PLS模型比较 |
| 4.3.5 过程监测 |
| 4.4 小结 |
| 5 丹参提取过程丹酚酸含量监控 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.3 丹参提取过程监控系统框架 |
| 5.4 丹参提取过程监控系统应用 |
| 5.4.1 快速定量模型训练模块 |
| 5.4.2 提取动力学模型拟合模块 |
| 5.4.3 丹参提取过程监控模块 |
| 5.5 丹参提取过程控制策略 |
| 5.6 小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
（3）化学计量学在微波等离子体炬原子发射光谱分析中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 MPT技术简介 |
| 1.2.1 概况 |
| 1.2.2 MPT的工作原理 |
| 1.2.3 MPT技术的优势和不足 |
| 1.3 化学计量学在原子发射光谱分析中的研究进展 |
| 1.3.1 数据预处理 |
| 1.3.2 定性分类分析 |
| 1.3.3 定量回归分析 |
| 1.4 本论文的研究意义 |
| 1.5 本论文的研究内容与创新点 |
| 1.5.1 主要研究内容 |
| 1.5.2 创新点 |
| 第二章 MPT光谱仪参数优化与数据预处理方法研究 |
| 2.1 引言 |
| 2.2 装置与材料 |
| 2.2.1 实验装置 |
| 2.2.2 样品制备 |
| 2.3 光谱数据预处理 |
| 2.3.1 光谱偏移校正 |
| 2.3.2 光谱平滑算法 |
| 2.3.3 光谱特征提取 |
| 2.3.4 重叠峰分离 |
| 2.4 实验条件优化 |
| 2.4.1 单纯形法优化过程 |
| 2.4.2 单纯形法优化实验条件参数 |
| 2.4.3 单纯形法优化的检出限 |
| 2.5 本章小结 |
| 第三章 支持向量机结合MPT-AES在人参产地溯源中的研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 实验装置 |
| 3.2.2 人参样本及数据获取 |
| 3.2.3 小波变换的特征提取 |
| 3.2.4 支持向量机分类算法 |
| 3.2.5 高斯过程分类算法 |
| 3.3 结果与讨论 |
| 3.3.1 数据预处理与特征提取 |
| 3.3.2 SVM模型的分类结果与分析 |
| 3.3.3 GP模型的分类结果与分析 |
| 3.4 本章小结 |
| 第四章 MPT-AES结合改进SVM算法在人参质量评价中的研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 实验装置 |
| 4.2.2 人参样本及数据获取 |
| 4.2.3 数据预处理方法 |
| 4.2.4 遗传算法 |
| 4.2.5 粒子群优化算法 |
| 4.2.6 偏最小二乘回归算法 |
| 4.2.7 支持向量回归算法 |
| 4.2.8 模型评价指标 |
| 4.3 结果与讨论 |
| 4.3.1 光谱数据预处理 |
| 4.3.2 SVR模型的预测性能分析 |
| 4.3.3 PLSR模型的预测性能分析 |
| 4.3.4 模型预测性能的比较与讨论 |
| 4.4 本章小结 |
| 第五章 高斯过程回归结合MPT-AES用于人参元素含量的分析 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.2.1 实验装置 |
| 5.2.2 实验数据 |
| 5.3 算法描述 |
| 5.3.1 主成分分析 |
| 5.3.2 高斯过程回归算法 |
| 5.3.3 数据近似方法 |
| 5.3.4 模型评估指标 |
| 5.4 结果与讨论 |
| 5.4.1 原始数据的分析 |
| 5.4.2 SVR模型性能评估 |
| 5.4.3 GPR模型性能评估 |
| 5.4.4 近似方法的性能分析 |
| 5.4.5 数据集的选择 |
| 5.4.6 结果讨论 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 作者简历与攻读博士学位期间所取得的科研成果 |
（4）基于卷积神经网络的新鲜-冷冻猪肉近红外光谱检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及存在的问题 |
| 1.2.1 国内外研究现状 |
| 1.2.2 存在的问题 |
| 1.3 论文研究内容 |
| 1.4 论文的组织结构 |
| 第2章 相关研究概述 |
| 2.1 近红外光谱分析技术概述 |
| 2.1.1 近红外光谱分析原理 |
| 2.1.2 近红外光谱分析技术特点 |
| 2.2 近红外光谱分析流程 |
| 2.2.1 样品与光谱数据的收集 |
| 2.2.2 光谱数据的预处理 |
| 2.2.3 光谱模型的建立 |
| 2.2.4 模型评价指标 |
| 2.3 卷积神经网络概述 |
| 2.3.1 卷积神经网络架构 |
| 2.3.2 卷积神经网络特点 |
| 2.3.3 卷积神经网络的训练过程 |
| 2.4 Keras概述 |
| 2.4.1 Keras的基本数据结构 |
| 2.4.2 Keras的模型构建 |
| 2.5 本章小结 |
| 第3章 新鲜-冷冻猪肉判别系统分析与设计 |
| 3.1 需求分析 |
| 3.1.1 功能需求 |
| 3.1.2 性能需求 |
| 3.2 系统设计 |
| 3.2.1 架构设计 |
| 3.2.2 流程设计 |
| 3.2.3 界面设计 |
| 3.3 技术路线 |
| 3.4 卷积方式 |
| 3.5 本章小结 |
| 第4章 卷积神经网络判别模型研究 |
| 4.1 实验材料 |
| 4.2 实验仪器 |
| 4.3 光谱数据采集与筛选 |
| 4.4 基于CNN的新鲜-冷冻猪肉分类模型 |
| 4.4.1 模型的设计 |
| 4.4.2 模型的建立 |
| 4.5 实验方法 |
| 4.6 实验结果分析与讨论 |
| 4.6.1 模型评价 |
| 4.6.2 预处理对模型的影响 |
| 4.6.3 样本量对模型的影响 |
| 4.7 本章小结 |
| 第5章 系统实现与测试 |
| 5.1 开发环境 |
| 5.2 关键模块实现 |
| 5.3 系统测试 |
| 5.3.1 系统演示 |
| 5.3.2 系统功能测试 |
| 5.3.3 性能测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 攻读学位期间参与的研究项目 |
| 附录B 攻读学位期间的科研成果 |
| 致谢 |
（5）不相关多源未知载荷下线性系统振动响应预测（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 随机振动频域响应预测研究现状 |
| 1.2.2 振动响应预测目前存在的问题 |
| 1.2.3 多元回归分析研究现状 |
| 1.3 本文研究目的和主要内容 |
| 1.3.1 本文研究目的 |
| 1.3.2 本文的主要内容 |
| 1.4 论文结构安排 |
| 第二章 载荷未知条件下的线性系统振动响应预测原理及实验装置 |
| 2.1 多源未知载荷与响应在频域的线性关系 |
| 2.2 多源已知载荷下基于回归分析的振动响应预测问题描述 |
| 2.3 多源未知载荷条件下的响应预测问题描述 |
| 2.4 多源载荷未知条件下未测结点响应预测与传统响应预测的比较 |
| 2.5 实验装置、数据处理与评价指标 |
| 2.5.1 实验装置 |
| 2.5.2 实验设计与数据处理 |
| 2.5.3 实验结果评价指标 |
| 第三章 基于传递函数的振动响应预测方法 |
| 3.1 方法原理与理论推导 |
| 3.2 方法步骤与流程 |
| 3.3 方法的适用范围 |
| 3.4 实验结果与分析 |
| 3.4.1 实验结果 |
| 3.4.2 误差分析 |
| 第四章 基于多元线性回归的振动响应预测方法 |
| 4.1 方法原理与理论推导 |
| 4.2 方法步骤与流程 |
| 4.3 方法的适用范围 |
| 4.4 实验结果与分析 |
| 4.4.1 实验结果 |
| 4.4.2 误差分析 |
| 第五章 基于多元线性回归改进的振动响应预测方法 |
| 5.1 基于偏最小二乘的振动响应预测方法 |
| 5.1.1 基于偏最小二乘的振动响应预测方法原理 |
| 5.1.2 方法步骤与流程 |
| 5.1.3 实验结果与分析 |
| 5.2 基于多输入多输出支持向量机的振动响应预测方法 |
| 5.2.1 基于多输入多输出最小二乘支持向量机的振动响应预测方法原理 |
| 5.2.2 方法步骤与流程 |
| 5.2.3 实验结果与分析 |
| 第六章 总结与展望 |
| 6.1 各方法优缺点分析比较与总结 |
| 6.2 主要工作和创新点总结 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（6）红外模型结合化学计量学用于食品及药品掺假及安全检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 本章小结 |
| 第2章 基本理论与方法概述 |
| 2.1 中红外光谱法测量原理 |
| 2.2 傅立叶变换光谱法基本原理 |
| 2.3 红外衰减全反射的测量原理 |
| 2.4 红外光谱数据分析方法 |
| 2.4.1 聚类分析 |
| 2.4.2 偏最小二乘法(PLS) |
| 2.4.3 人工神经网络(ANN) |
| 2.4.4 支持向量机(SVM) |
| 2.5 本章小结 |
| 第3章 柏子养心丸和牛黄解毒丸的红外光谱数据分析 |
| 3.1 引言 |
| 3.2 光谱数据预处理方法 |
| 3.2.1 标准正态变换(SNV) |
| 3.2.2 平滑处理(Smoothing) |
| 3.2.3 导数(Derivative) |
| 3.2.4 多元散射校正(MSC) |
| 3.3 化学计量学方法 |
| 3.3.1 Fisher线性判别法 |
| 3.3.2 K最邻近法(KNN) |
| 3.3.3 主成分分析(PCA) |
| 3.3.4 非负矩阵因子分解(NMF) |
| 3.4 实验部分 |
| 3.4.1 仪器和药品 |
| 3.4.2 实验方法 |
| 3.5 结果与讨论 |
| 3.5.1 原始光谱叠加图 |
| 3.5.2 PCA分类结果 |
| 3.5.3 NMF分类结果 |
| 3.6 本章小结 |
| 第4章 儿童奶粉的红外光谱数据分析 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 样品的收集 |
| 4.2.2 样品的配制 |
| 4.2.3 仪器设备与参数设置 |
| 4.3 算法原理 |
| 4.3.1 数据预处理方法 |
| 4.3.2 化学计量学方法 |
| 4.4 结果与讨论 |
| 4.4.1 掺假奶粉PCA分类结果 |
| 4.4.2 掺假奶粉K-Means分类结果 |
| 4.4.3 掺假奶粉NMF分类结果 |
| 4.4.4 不同掺假比例奶粉PCA分类结果 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（7）近红外光谱技术在中草药口服液量控制过程中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 中草药产品质量控制现状 |
| 1.1.2 过程分析技术(PAT) |
| 1.2 近红外光谱技术 |
| 1.2.1 近红外光谱技术原理 |
| 1.2.2 近红外光谱采集方式 |
| 1.2.3 近红外仪器及技术发展现状 |
| 1.2.4 近红外光谱技术在中药质量控制过程中的应用 |
| 1.2.5 化学计量学在近红外光谱技术中的重要性 |
| 1.3 研究目的与研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 本文章节安排 |
| 第二章 近红外光谱建模技术及模型转移概述 |
| 2.1 引言 |
| 2.2 校准数据的获取 |
| 2.3 数据预处理 |
| 2.3.1 导数算法 |
| 2.3.2 标准化算法 |
| 2.3.3 数据增强算法 |
| 2.4 样本的划分 |
| 2.5 波段选择 |
| 2.5.1 间隔偏最小二乘法(iPLS) |
| 2.5.2 全局最优算法 |
| 2.5.3 变量投影重要性(VIP) |
| 2.5.4 无信息变量消除(UVE) |
| 2.5.5 模型集群分析 |
| 2.6 建模方法 |
| 2.6.1 偏最小二乘(PLS) |
| 2.6.2 人工神经网络(ANN) |
| 2.6.3 支持向量回归(SVR) |
| 2.6.4 主成分回归(PCR) |
| 2.7 模型评价指标 |
| 2.8 模型转移 |
| 2.8.1 有标样模型转移算法 |
| 2.8.2 无标样模型转移算法 |
| 第三章 某中药口服液质量指标建模研究 |
| 3.1 引言 |
| 3.2 建模流程 |
| 3.3 数据采集及前处理 |
| 3.3.1 近红外光谱的采集 |
| 3.3.2 实验部分 |
| 3.3.3 校正集和验证集的划分 |
| 3.4 建立模型 |
| 3.4.1 光谱预处理方法的选择 |
| 3.4.2 有效建模波段的选择 |
| 3.4.3 建模结果与讨论 |
| 3.5 模型预测性验证 |
| 3.5.1 多糖模型预测性验证 |
| 3.5.2 蒽醌模型预测性验证 |
| 3.6 模型稳健性验证 |
| 3.6.1 多糖模型稳健性验证 |
| 3.6.2 蒽醌模型稳健性验证 |
| 3.7 本章小结 |
| 第四章 模型通用性研究 |
| 4.1 引言 |
| 4.2 平行探头模型通用性研究 |
| 4.2.1 数据介绍 |
| 4.2.2 建立单探头模型 |
| 4.2.3 单探头建模结果与讨论 |
| 4.2.4 建立双探头模型 |
| 4.2.5 双探头建模结果与讨论 |
| 4.2.6 小结 |
| 4.3 更换探头前后模型通用性研究 |
| 4.3.1 数据介绍 |
| 4.3.2 建立旧探头模型 |
| 4.3.3 旧探头建模结果与讨论 |
| 4.3.4 采样周期对模型通用性的影响研究 |
| 4.3.5 小结 |
| 4.4 本章小结 |
| 第五章 模型转移 |
| 5.1 引言 |
| 5.2 数据介绍 |
| 5.3 模型转移方法及流程 |
| 5.4 建立主机模型 |
| 5.4.1 主机数据前处理 |
| 5.4.2 主机数据分组 |
| 5.4.3 建模及模型验证 |
| 5.5 DS法光谱校正 |
| 5.6 验证数据光谱校正及预测 |
| 5.7 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）近红外光谱在中药质量控制中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 中药产品质量控制问题 |
| 1.1.2 过程分析技术(PAT) |
| 1.2 近红外（NIR）光谱技术 |
| 1.2.1 近红外光谱基本原理 |
| 1.2.2 近红外光谱采样方式 |
| 1.2.3 近红外仪器供应商 |
| 1.2.4 近红外光谱技术在中药生产中的应用 |
| 1.2.5 化学计量学在近红外光谱技术中的重要性 |
| 1.3 本文的研究目的与研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 本文章节安排 |
| 第二章 近红外光谱建模技术概述 |
| 2.1 引言 |
| 2.2 用于模型建立的校准数据的获取 |
| 2.3 数据预处理 |
| 2.3.1 平滑算法 |
| 2.3.2 导数算法 |
| 2.3.3 标准化算法 |
| 2.3.4 数据增强算法 |
| 2.4 样本的划分 |
| 2.5 特征波数的选取 |
| 2.5.1 变量投影重要性（VIP） |
| 2.5.2 无信息变量消除（UVE） |
| 2.5.3 间隔偏最小二乘法（iPLS） |
| 2.5.4 全局最优算法 |
| 2.5.5 模型集群分析变量选择算法 |
| 2.6 模型回归方法 |
| 2.6.1 主成分回归（PCR） |
| 2.6.2 偏最小二乘法（PLS） |
| 2.6.3 人工神经网络（ANN） |
| 2.6.4 支持向量回归（SVR） |
| 2.7 模型的评价方法 |
| 2.8 近红外光谱技术的应用 |
| 第三章 光纤长度对口服液中多糖定量模型的影响 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 药品与试剂 |
| 3.2.2 仪器 |
| 3.2.3 样本收集以及近红外光谱采集 |
| 3.2.4 口服液中多糖含量的测定 |
| 3.2.5 近红外光谱数据处理 |
| 3.3 结果与讨论 |
| 3.3.1 口服液中多糖含量的测定结果 |
| 3.3.2 样本集的划分 |
| 3.3.3 口服液的近红外光谱比较 |
| 3.3.4 光纤长度对模型性能的影响 |
| 3.4 本章小结 |
| 第四章 温度对口服液中多糖定量模型的影响 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 药品与试剂 |
| 4.2.2 仪器 |
| 4.2.3 样本收集以及近红外光谱采集 |
| 4.2.4 口服液中多糖含量的测定 |
| 4.2.5 近红外光谱数据处理 |
| 4.3 温度对口服液近红外光谱的影响 |
| 4.3.1 原始谱图 |
| 4.3.2 主成分分析（PCA） |
| 4.4 温度对近红外定量模型的影响 |
| 4.4.1 口服液中多糖含量的测定结果 |
| 4.4.2 样本集的划分 |
| 4.4.3 单独建模结果讨论与分析 |
| 4.4.4 混合建模结果讨论与分析 |
| 4.5 本章小结 |
| 第五章 配制液模型的建立 |
| 5.1 引言 |
| 5.2 光谱采集 |
| 5.2.1 实验样品 |
| 5.2.2 实验仪器 |
| 5.2.3 光谱采集条件 |
| 5.3 参考值测量 |
| 5.3.1 实验药品 |
| 5.3.2 实验仪器 |
| 5.3.3 参考值测量方法 |
| 5.4 数据处理 |
| 5.5 配制液中多糖含量的定量模型 |
| 5.5.1 样品中多糖测量结果 |
| 5.5.2 近红外光谱分析 |
| 5.5.3 数据分组 |
| 5.5.4 光谱预处理 |
| 5.5.5 变量选择 |
| 5.5.6 模型验证与应用 |
| 5.6 配制液中可溶性固形物模型 |
| 5.6.1 预处理方法选择 |
| 5.6.2 变量选择 |
| 5.6.3 可溶性固形物含量PLS模型结果 |
| 5.7 配制液pH模型 |
| 5.7.1 预处理方法选择 |
| 5.7.2 变量选择 |
| 5.7.3 pH的PLS模型结果 |
| 5.8 口服液质量模型的在线监控 |
| 5.8.1 监控系统简介 |
| 5.8.2 质量监控界面的功能介绍 |
| 5.8.3 异常样品的识别 |
| 5.9 本章小结 |
| 第六章 GA-PLS在口服液浓缩终点质量评价中的应用 |
| 6.1 引言 |
| 6.2 实验部分 |
| 6.2.1 药品与试剂 |
| 6.2.2 仪器 |
| 6.2.3 样本收集以及近红外光谱采集 |
| 6.2.4 口服液中多糖含量的测定 |
| 6.2.5 口服液中固形物含量的测定 |
| 6.2.6 数据处理 |
| 6.3 浓缩液多糖近红外定量模型 |
| 6.3.1 浓缩液中多糖含量测定结果 |
| 6.3.2 样本的划分 |
| 6.3.3 浓缩液的近红外光谱分析 |
| 6.3.4 光谱预处理 |
| 6.3.5 变量选择结果 |
| 6.3.6 模型验证 |
| 6.4 浓缩液固形物含量的近红外定量模型 |
| 6.4.1 浓缩液中固形物含量测定结果 |
| 6.4.2 样本的划分 |
| 6.4.3 浓缩液固形物含量的模型 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、中药材三七提取液近红外光谱的支持向量机回归校正方法（论文参考文献）
- [1]基于迁移学习的2,6-二甲酚纯度近红外光谱在线检测[J]. 邬云飞,栾小丽,刘飞. 化工学报, 2022(02)
- [2]基于数据驱动和机理模型的丹参提取过程监控方法研究[D]. 陈泽麒. 浙江大学, 2021(02)
- [3]化学计量学在微波等离子体炬原子发射光谱分析中的应用研究[D]. 应仰威. 浙江大学, 2019(08)
- [4]基于卷积神经网络的新鲜-冷冻猪肉近红外光谱检测研究[D]. 刘晓瑜. 湖南大学, 2019(07)
- [5]不相关多源未知载荷下线性系统振动响应预测[D]. 詹威. 华侨大学, 2019(01)
- [6]红外模型结合化学计量学用于食品及药品掺假及安全检测[D]. 贾明静. 华北电力大学, 2019(01)
- [7]近红外光谱技术在中草药口服液量控制过程中的应用研究[D]. 李晶晶. 华南理工大学, 2018(12)
- [8]近红外光谱在中药质量控制中的应用研究[D]. 周昭露. 华南理工大学, 2017(07)
- [9]近红外光谱应用于中药质量控制及生产过程监控的研究进展[J]. 李文龙,瞿海斌. 浙江大学学报(医学版), 2017(01)
- [10]近红外光谱技术在中药质量控制应用中的化学计量学建模:综述和展望[J]. 周昭露,李杰,黄生权,田淑华,刘玉娇,鲁亮,张扬,黄延盛,王学重. 化工进展, 2016(06)