近红外光谱数据库技术及其在农产品检测中的应用

本书内容由浅入深，共分为五章：章简单介绍了近红外光谱分析技术的基础概念，总结和分析了传统建模分析的弊端，引出光谱数据库的概念和本书的主要内容；第2章主要介绍了支撑NIR-SDBS运行的主要算法，大致可归类为光谱预处理算法、光谱特征提取算法和光谱匹配算法等；第3章主要针对常见光谱平滑算法存在的问题，提出一种新的算法，以达到保护有用光谱信息的目的；第4章主要针对特定样品特征，提出一种新的全光谱匹配算法，以提高光谱匹配准确率；第5章主要介绍了光谱数据库系统分析与设计的过程，为读者开发自己的光谱数据库系统提供参考。本书可供农业工程学科农产品品质检测及相关领域的科研、教学人员和大中专院校学生使用，也可以作为从事相关职业的科技人员、技术管理及推广人员的参考资料。

前言章绪论1.1课题背景与研究意义1.1.1NIR光谱技术概述1.1.2NIR光谱分析的常见流程1.1.3存在的问题与发展趋势1.2SDBS概述1.2.1SDBS原理及特点1.2.2国外研究进展概况1.2.3国内研究进展概况1.2.4其他相关研究1.3本书研究目的、内容和技术路线1.3.1研究目的1.3.2研究内容1.3.3技术路线1.4本章小结第2章光谱数据库常用算法2.1光谱预处理算法介绍2.1.1平滑2.1.2扣减2.1.3导数或微分2.1.4标准化2.1.5多元散射校正2.1.6标准正交变换2.2NIR光谱特征峰识别及其参数计算2.2.1NIR光谱的特点2.2.2峰位2.2.3峰边界2.2.4峰高2.2.5峰宽2.2.6峰面积2.3匹配算法2.3.1SMA-P2.3.2SMA-FS2.4波段选择2.4.1经验法2.4.2分段排序法2.4.3相关系数法2.4.4方差分析法2.4.5相关成分分析法2.4.6基于遗传算法的波段选择法2.4.7CARS波段选择法2.5常用建模算法2.5.1定量建模算法2.5.2定性建模算法2.6本章小结第3章一种自适应平滑算法在苹果NIR光谱分析中的应用3.1引言3.2技术与方法3.2.1噪声估算3.2.2光谱局部波动频率3.2.3数据点权值3.2.4一种自适应平滑算法3.2.5光谱特征峰定位及参数计算算法改进3.3试验3.3.1试验样品3.3.2光谱仪与参数设置3.3.3SSC检测仪3.3.4支撑试验的软硬件平台3.4结果与讨论3.4.1SSC测量结果3.4.2基于DA的分类结果3.4.3构造各类别的中心光谱3.4.4算法参数的确定与优选3.4.5改进后算法对特征波段的保护3.4.6假性峰过滤参数优化3.4.7基于SMA-P的分类原理3.4.8基于SMA-P的苹果样品分类3.5本章小结第4章基于杰卡德相似性系数原理的SMA-FS在苹果分类识别中的应用4.1引言4.2方法介绍4.2.1苹果样品NIR光谱的一阶导数4.2.2一阶导数光谱的预处理4.2.3一阶导数二值化4.2.4JSC4.2.5JSC在NIR光谱匹配中的应用4.2.6SMA-JSC算法的改进4.3试验4.3.1试验样品4.3.2光谱仪与参数设置4.3.3支撑试验的软硬件平台4.4结果与分析4.4.1S5～S7三类样品的SSC含量4.4.2基于DA的S1～S7分类4.4.3类别中心构建4.4.4基于SMA-JSC的苹果样品分类识别4.4.5SMA-JSC算法与常用SMA-FS算法的比较4.4.6基于SMA-JSC算法检索分析特定样品的原理4.4.7分辨率对SMA-JSC算法的影响4.4.8改进SMA-JSC算法在苹果分类识别中的应用4.5本章小结第5章NIR-SDBS原型系统开发实例5.1概述5.2NIR-SDBS原型系统分析5.2.1NIR-SDBS原型系统的需求描述5.2.2水果NIR-SDBS原型系统的主要用例5.2.3动态模型（场景时序图）5.2.4静态模型（对象模型）5.3系统设计5.4对现有系统的比较5.5本章小结附录二维码资源附录A中英文对照表附录B部分算法C#代码附录C基于SMA-JSC算法检索分析特定样品测试结果参考文献