一、基于前向神经网络的呈香物质识别方法研究（论文文献综述）
弓雪[1]（2021）在《基于深度卷积神经网络的肿瘤微细血管重建方法研究》文中研究说明介观荧光分子层析成像（Mesoscopic Fluorescence Molecular Tomography,MFMT）通过寻找组织表面荧光测量信号与体内荧光参数（即敏感矩阵）之间的关系,对较大视野的厚组织（毫米级深度）进行高分辨率（微米级）非接触式成像,很好地填补了显微荧光分子成像技术和宏观荧光分子成像技术的真空地带。然而,探测到的荧光信号经过生物组织多次散射,与敏感矩阵构成了非线性关系,使得逆向重建问题成为了病态不适定问题。同时,大规模敏感矩阵增加了重建算法的计算复杂度,需要通过特定的优化算法来实现对生物组织荧光标记物三维分布的重建。因此,为了有效推进MFMT的临床前研究,使其更好的应用于肿瘤早期检测和治疗,本文围绕如何实现“高效率”、“高精度”重建,提出了基于深度卷积对称网络（Deep Convolutional Symmetric Network,DCSN）和其改进的基于复式跳跃密集网络（Doub-Skip Dense Network,doub-SD）结合联合代数重建技术（Simultaneous Algebraic Reconstruction Technique,SART）的微细血管混合重建策略,在保留常规重建步骤物理本质的前提下运用当下学者广泛关注的深度学习技术以加速逆问题求解。论文的创新点和主要研究工作包括以下几点:（1）为了得到敏感矩阵与组织边界荧光测量数据之间的强映射关系,本文将两者进行组合形成增广矩阵作为训练数据,通过学习增广矩阵的低维空间表达,得到敏感矩阵和荧光测量数据的融合压缩特征。从数据本身出发,在一定程度上达到加速组织内部荧光标记物重建的目的。（2）多角度投影得到的大规模数据加剧了荧光分子重建的负担,降低了重建速度。对此,本文提出了一种深度卷积对称网络联合SART算法的混合重建策略,利用卷积神经网络强大的特征提取能力、非线性映射特性及信息整合能力完成对大规模训练数据的有效压缩,实现SART算法对组织内部荧光标记物分布的快速精准重建。设计适合于编码高维荧光数据的弧形对称网络作为主干架构,针对特定的训练数据配置卷积层结构。采用多个“valid”填充的3×3小卷积核进行卷积操作,且仅执行一次池化操作,在减少参数、增加网络拟合能力的同时,使训练数据能够按照预期进行压缩,最大限度地减少冗余信息对重建结果的影响。通过计算机微细血管数值仿真实验的对比结果,论证了DCSN模型的处理性能,验证了混合重建策略较传统方法具有更好的处理效果和更快的重建速度。（3）为了强化网络对浅层和深层特征的融合能力,进一步提升网络的收敛速度,改善混合重建策略的重建效果,本文在DCSN网络基础上,设计并实现了一种基于深度卷积复式跳跃密集网络的微细血管重建算法。doub-SD架构引入了局部复式跳跃残差结构和全局密集交互连接,以充分利用低维度分层特征。同时通过添加1×1卷积瓶颈层增加网络深度,减少权重参数负担,以更优化的学习方式获得更小规模、更有用的数据信息。通过对计算机数值仿真模型和血管树合成数据的加速重建实验的结果进行分析,验证了改进网络doub-SD的优势性,重建速度提升约1.5倍,计算时间变为原来的2/3。
潘越[2]（2021）在《区域旅游吸引力与游客流动倾向响应研究》文中研究指明旅游目的地建设的“各自为政”和游客出行的“两极化”已成为制约区域旅游业高质量、可持续发展的核心问题。结合理论研究的网络化转化和区域旅游一体化发展的实践需求,提出区域旅游吸引力空间网络结构及其与游客流动倾向响应关系研究的构建思路和方法,以期为区域性旅游空间规划的编制提供理论依据。本文在界定相关概念的基础上,应用流动空间理论、空间相互作用理论、旅游空间结构理论、旅游供求均衡理论以及机器学习理论等理论,对区域旅游吸引力与游客流动倾向响应关系进行探究。遵循“研究框架-实证研究-优化提升”的逻辑思路,其中研究框架部分以“网络结构构建→结构特征提取→响应效果检验→响应系统模拟”的递进式思路成文,主要的研究内容概括为以下几个方面:第一,构建区域旅游吸引力网络结构。基于空间相互作用理论,以特定区域为研究范围,以区域内城市为节点,融合网络、交通、气象以及统计年鉴等多源异构数据,对区域O-D旅游吸引力作用强度进行测算,进而构建区域旅游吸引力网络结构,为下文网络结构特征分析奠定基础。第二,剖析区域旅游吸引力网络结构特征。围绕“空间差异-空间关联-空间集聚”构建区域旅游吸引力网络结构的特征提取框架,分别构造原值、二值、Top三种网络形式,综合运用GIS数据分析方法、社会网络分析方法、复杂网络分析方法等,互补揭示区域旅游吸引力网络演化特征及结构特征。第三,检验区域旅游吸引力与游客流动倾向响应关系。基于游客流动倾向视角,探讨旅游吸引力网络的空间效率。以“百度指数-网络关注度”为O-D游客流动倾向对流数据来源,构建区域游客流动倾向网络,在明晰旅游吸引力与游客流动倾向体系的交互响应机理的基础上,多维尺度探讨二者响应效果。第四,建立区域旅游吸引力与游客流动倾向响应系统预测模型。基于地理探测器模型,筛选区域旅游吸引力影响核心指标;借助BP神经网络模型,模拟旅游吸引力与游客流动倾向响应系统运行机理。进而未来可通过设定不同情境,预测区域旅游吸引力与游客流动倾向响应关系,为对策建议的制定奠定理论基础。第五,开展实证研究。以京津冀地区为典型案例区,以“五一”小长假为研究时段,构建京津冀区域旅游吸引力网络结构,多角度、全方位剖析区域网络结构特征,探究京津冀区域旅游吸引力与游客流动倾向响应效果,并根据测算结果,训练BP神经网络,为京津冀地区旅游一体化的理论构建与战略设计提供理论支撑。第六,提出区域旅游吸引力与游客流动倾向响应水平提升对策。根据理论研究与实证结果,结合现实政策确立,从统筹制定区域旅游业发展整体规划、合理优化区域旅游吸引力网络结构、科学引导区域旅游者行为、加快推进区域旅游高质量发展等方面开展对策解析,力求区域旅游吸引力与游客流动倾向的最佳匹配。
周永长[3]（2021）在《烟叶复烤润叶效果预测与优化研究》文中进行了进一步梳理润叶是打叶复烤流程中重要的工艺环节之一,润叶的质量直接影响着后续打叶风分流程的效果,间接影响着卷烟的燃烧性能、感官评吸质量。目前,打叶复烤厂正逐步向智能化、精细化、自动化方向发展,在注重工艺成本和质量的同时,更加关注如何高效且合理的使用生产设备。润叶工艺流程中,不仅涉及烟叶的物理结构及化学成分的变化,且烟叶在热风润叶机中的运动常常难以观测。传统调节工艺参数的方法是通过试验,不断调整参数以达到良好的润叶效果。该方法浪费烟厂工作人员大量的时间,而且应对不同产地的烟叶需要重新调整参数。因此,基于工艺数据建立合理的预测模型,以应对不同产地的烟叶进行合理的参数调节,是提高润叶工艺质量、润叶设备技术改良、复烤厂提升生产效率的关键。本文以润叶特色工艺流程作为研究对象,从烟片自身的物理结构和化学成分出发,分析得出温度和水分是对其影响最大的两个因素。选取了要进行研究的工艺参数分别为:前蒸汽喷嘴压力、前端加水流量、热风温度、回风温度、进料叶片温度、进料叶片水分。进行预测和优化的指标为:出口叶片温度、出口叶片水分。运用多元线性回归、BP神经网络、循环神经网络三种方法建立润后烟叶效果的预测模型,对其中可调节的参数进行研究和分析,用均方误差、均方根误差、平均绝对误差三个指标描述真实值与预测值之间的差距。根据预测效果最好的循环神经网络模型,设置合理的工艺参数水平,将工艺方案扩充至10000种。基于改进的多目标优化算法,对润叶工艺方案进行优化。针对生产质量和设备使用寿命两大因素,提出按照不同时间段,两种方案交叉使用策略。运用层次分析法建立综合评价模型,确定进料叶片水分为影响润后烟叶质量的最重要因素,为选择合理的方案提供理论依据。本研究揭示了在润叶流程中,烟片的温度、水分变化与工艺参数之间的具体联系,对润叶工艺中遇到的出口烟片质量不均、设备损耗严重等问题提出合理的解决方案。为打叶复烤厂改良参数、优化流程提供了重要的依据,对推动复烤厂可持续发展具有实际意义。
李军[4]（2020）在《集群环境中的产学研协同创新研究》文中研究表明近年来,产业集群表现出对中国区域经济发展的巨大推动作用。而产学研协同创新正是集群创新模式中重要组成部分。集群环境是产业集群内部组织（企业、政府、大学及科研院所、中介组织）间形成的、技术创新活动与生产经营活动紧密嵌合的动态网络。集群环境促进产学研协同创新联盟孕育与发展,对产学研协同创新活动具有重要影响。集群环境中的产学研协同创新,是以集群领军企业主导的产学研协同创新联盟为核心、大范围整合产品价值创造活动网络的一种新型产业组织方式。因此,研究和探索集群环境中的产学研协同创新活动的内在规律,对于合理安排产学研协同方式、加快协同创新成果产业化和市场化、促进集群内部经济结构调整和产业升级,具有重要的理论价值和现实意义。本文研究内容如下:一是概念界定。对集群环境的概念进行界定。对产学研协同创新的实践平台和运行过程进行描述和对比分析。二是机理分析。对集群环境中的产学研协同创新系统的特征和功能、构成要素、协同类型进行分析。在提出系统结构和内涵解释的基础上,解析集群环境与产学研协同创新的相互作用机理。在风险分析基础上,提炼出由集群领军企业、大学及科研院所组成的产学研联盟协同创新组织实施过程中的3个关键环节。三是关键环节具体研究。1.伙伴选择,设计基于3因素12个指标的评价指标体系,构建改进神经网络模型,并将其应用于联盟协同创新伙伴评价测度中;2.契约达成与利益分配,构建产学研竞合博弈模型、改进分配博弈模型,并进行分析;3.成果扩散,通过构建数学模型,仿真研究联盟协同创新成果在集群企业中的扩散机理。四是结论及展望。提出研究结论和管理启示,指出研究不足及未来研究方向。本文研究结论如下:集群环境影响产学研协同创新联盟战略目标制定和成果市场化,促进联盟形成和创新要素集聚。本文提出的评价方法,能够为集群领军企业选出适合共同开展产学研协同创新活动的大学或科研院所。改进的ELMAN较BP神经网络模型,在处理伙伴评价数据时,速度和准确性更佳。为促进合作契约达成,须提高协同创新效益、正向激励、协同次数和对局方参与率。基于改进Shapley值模型的利益分配方法是有效的。连接广泛的核心企业,在联盟创新成果扩散中发挥关键作用。可调节参数与集群环境即网络结构优化程度相关。联盟创新成果在集群企业中扩散存在临界值。集群企业节点异质性越强,越利于扩散。本文创新点如下:一是将产学研协同创新置于集群环境中展开研究。在提炼集群环境概念基础上,初步构建集群环境中的产学研协同创新理论基础,一定程度上丰富和深化集群创新与产学研协同创新理论。二是制定一套多元主体合作创新伙伴选择的方法。构建基于知识能力因素的评价指标体系。同时特色化地将改进的ELMAN反馈型神经网络模型引入,将其应用于集群环境中的产学研协同创新联盟伙伴评价测度中。三是完善多元主体合作创新博弈过程研究,提出一种解决利益分配的方法。提出每一次完整的产学研协同创新联盟博弈,由合作前的契约达成、合作后的利益分配两个阶段组成。重点在利益分配博弈阶段,构建基于创新增值、风险承担和资源投入因素的改进Shapley值模型。在此基础上,提出基于集群共同基金的利益补偿方案。四是设计一种研究产业集群中创新扩散问题的方法。首先利用复杂网络理论,构建集群企业演化网络模型。其次运用改进的SIR病毒传播模型,描述联盟创新成果在集群企业演化网络扩散过程中企业个体的微观变化。最后使用计算机仿真方法模拟该过程。
王娜[5]（2020）在《基于组学技术的中国黄酒陈酿香气组分分析及酒龄识别的研究》文中认为“陶坛贮存,越陈越香”是中国黄酒最典型的特点之一。其中,“越陈越香”体现了黄酒“陈酿时间/酒龄”与“陈酿香”之间密切的关系。而且,“酒龄”作为黄酒品质和质量的一个重要体现和标准,是消费者选购不同品质黄酒的主要参考依据之一。因此,科学解析黄酒陈酿香及其与酒龄之间的关系,对提升黄酒的品质与质量标准具有重要的价值。本论文主要以非靶向代谢组学和风味化学为导向的靶向研究策略为指导,采用现代的代谢组学、风味组学、传统的仪器分析、多元统计分析等多种技术和方法来共同解析中国黄酒的陈酿香气组分及其对酒龄的识别作用。其主要研究内容与结论如下:（1）首次采用基于GC/MS非靶向代谢组学的分析策略与技术,并联合偏最小二乘回归（PLSR）分析方法对7个不同酒龄古越龙山黄酒中的陈酿香气组分及其酒龄识别作用进行了分子水平和统计学角度的解析。在陈酿过程中共分别划分和鉴定出约104个特征组分和94种酒龄标志物Aging markers（包含未知）,并总结其与0年～15年陈酿时间段酒龄的统计学关系为:醇类、棕榈酸乙酯、油酸乙酯和反-油酸乙酯对区分新酒（0年）具有重要统计学作用。另外,以3-甲硫基丙醇为代表的硫化物只在新酒中提取到;酒龄1年时醇类Aging markers数量明显减少,而具有抗氧化作用的酚类及其衍生物Aging markers数量显着增加,以四甲基吡嗪为代表的吡嗪类也开始出现统计学作用;2年～5年陈酿时间段芳香族一类化合物开始呈现出酒龄区分作用;在10年～15年陈酿时间段,芳香族已成为酒中Aging markers的主体,呋喃类Aging markers数量开始增多,且酸类化合物也呈现出一定的酒龄识别作用。与此同时,94种Aging markers的变化趋势显示:对0年～3年酒龄具有显着区分作用的Aging markers在黄酒陈酿过程中都呈现下降趋势,与此对应,在陈酿过程中呈现上升趋势的所有Aging markers对酒龄5年～15年,尤其是10年和15年均具有显着的酒龄区分作用;（2）基于风味组学GC-O/AEDA技术对新陈黄酒中74种香气活性组分的初步鉴定,进一步采用多方法联用策略成功对三种不同品牌的14个不同酒龄黄酒中85种香气化合物的浓度、变化趋势及香气活力值（OAV值）进行了定量分析。一共筛选到60种随陈酿时间变化趋势显着（*p≤0.05）、与酒龄有着密切统计学关系的潜在Aging markers;49种在陈酿过程中OAV值或香气稀释因子（FD值）较高、具有重要香气贡献的潜在关键/重要活性组分Key aging-aromas;31种随酒龄变化趋势显着（*p≤0.05）且OAV值或FD值较高的潜在关键/重要酒龄标志物Key aging-markers,这一类是基于风味导向策略黄酒酒龄识别研究中的重点分析对象;（3）基于古越龙山黄酒中49种潜在Aging markers主成分分析（PCA）和聚类分析（CA）对0年～15年七个不同酒龄0年、1年～2年、3年～5年、10年～15年四个时间段的划分,本研究将古越龙山黄酒中筛选到的29种潜在Key aging-markers（**p≤0.01）进行了进一步酒龄识别的PCA分析及其OAV值轮廓变化的描述,并从统计学和风味的双重角度对这四个不同陈酿时间段古越龙山黄酒的陈酿特性进行了分析与探讨。共有18种Key aging-markers在某一陈酿时间段显示出较高的OAV值（OAV≥1）,其中,呈现下降趋势的二甲基硫、3-甲硫基丙醇、3-甲硫基丙醛、4-乙烯基愈创木酚、4-乙基愈创木酚、异丁醇6种香气组分在新酒中具有最高的OAV值,且显示出对新酒的酒龄识别作用;与新酒相比,1年～2年陈酿时间段香气强度显着（OAV≥1）的香气组分数量有增无减,其中,苯酚、异丁酸乙酯、苯乙酮、2-苯基-2-丁烯醛的香气强度在1年～2年陈酿时间段变得显着;而3年～5年时香气强度显着的香气组分数量既有增也有减,其表现为:3-甲硫基丙醇、3-甲硫基丙醛和异丁醇的香气强度已变得不显着（OAV<1）,但肉桂醛、反-肉桂酸、葫芦巴内酯、γ-癸内酯和苯甲醇的香气强度变得显着;当酒龄10年～15年时,呈现上升趋势的苯乙酮、2-苯基-2-丁烯醛、肉桂醛、葫芦巴内酯、烟酸乙酯、糠醛等12种香气组分的香气强度已完全超过了新酒中呈现下降趋势的6种香气组分。与此对应,其他11种Key aging-markers（如苯甲醛、异戊酸乙酯、异戊酸等）在0年～15年整个陈酿过程中都具有重要的香气贡献（OAV≥1）。然而,以上对这四个陈酿时间段古越龙山黄酒陈酿特性的分析还有待于感官实验的进一步验证;（4）基于古越龙山黄酒中29种Key aging-markers（**p≤0.01）的PLSR和多元线性回归（MLR）分析,其酒龄鉴别方法的研究表明:采用PLSR和MLR两种回归分析分别能实现99.82%和99.91%准确度对古越龙山黄酒酒龄的预估,但采用MLR分析可以实现更少变量4-乙烯基愈创木酚、二甲基二硫、葫芦巴内酯、3-甲硫基丙醇和γ-癸内酯五种Key aging-markers与0年～15年七个酒龄之间酒龄鉴别模型的建立;（5）网络重构（NR）联合SPME-GC/MS定量分析结果表明:条件II下多次O2通入有助于15种Aging markers的自然变化趋势,但间隔且频繁的通入O2（如:5次O2通入）会使醇类的变化趋势波动较大。最终,条件II恒温37℃、70天/10周的实验周期内3次O2通入最有利于黄酒陈酿过程中15种Aging markers的变化趋势,且本研究预测:较高的O2初始浓度将有利于黄酒的“陈酿香气”更为明显,在大罐贮酒的中前期适当通入O2将会有利于大罐贮酒的控制。另外,高温会加速Aging markers的变化趋势。
王雪梅[6]（2020）在《外源氨基酸对郫县豆瓣风味品质的影响及感官评定方法的建立》文中指出郫县豆瓣是享誉中外的地方特色产品,是川菜制作中的必备调味料,风味是衡量其品质的重要因素之一。目前对郫县豆瓣风味的研究仍集中在鉴定发酵过程中的香气化合物方面,对风味的提高和调控鲜有报道。郫县豆瓣中各类香气化合物的形成与氨基酸的代谢密切相关,外源添加氨基酸调控风味是一种值得探讨的方法。本文主要通过构建氨基酸-豆瓣水提液美拉德反应模拟体系,确定氨基酸种类及其添加量,并应用到郫县豆瓣实际发酵体系中,探究氨基酸的添加阶段和添加量对郫县豆瓣发酵过程中理化指标及风味的影响,并建立感官评定方法对其品质进行评价。以期实现利用外源添加氨基酸改善郫县豆瓣风味品质、优化发酵工艺、缩短发酵周期的目标。采用固相微萃取-气质联用（SPME-GC-MS）技术分析单一氨基酸-豆瓣水提液反应模型中,氨基酸对郫县豆瓣特征风味的贡献,由此筛选出苯丙氨酸（Phe）、甲硫氨酸（Met）、精氨酸（Arg）、天冬氨酸（Asp）、赖氨酸（Lys）和亮氨酸（Leu）构建复合氨基酸-豆瓣水提液反应模型,结合感官分析,考察复合氨基酸用量、比例对郫县豆瓣风味的影响,最终确定适宜的氨基酸添加量为:以郫县豆瓣计,每33 g郫县豆瓣中,需加入0.0140 g Asp、0.0072 g Arg、0.0010 g Met、0.0074 g Leu、0.0048 g Phe和0.0050g Lys。通过对不同发酵阶段、不同添加量的氨基酸发酵郫县豆瓣（豆瓣A-前发酵阶段以甜瓣子质量为基础添加氨基酸;豆瓣B-前发酵阶段以豆瓣质量为基础添加氨基酸;豆瓣C-未添加氨基酸;豆瓣D-后发酵阶段以甜瓣子质量为基础添加氨基酸;豆瓣E-后发酵阶段以豆瓣质量为基础添加氨基酸）进行理化指标和风味分析,发现:在前发酵阶段,外源添加氨基酸会使甜瓣子的总酸含量相对减少;醇类个数增加,醛类、酯类个数减少,醇类、醛类含量增加,酯类含量减少;甜瓣子B的氨基酸态氮含量增加,还原糖转化速率加快,各类香气化合物含量增加。在后发酵阶段,外源添加氨基酸使总酸含量符合国家标准,氨基酸态氮的含量降低,还原糖转化速率较快;豆瓣A、B的总色差值有所减少,豆瓣D、E则相反。在前发酵阶段添加氨基酸能促进豆瓣中醇类、酸类、酚类、醚类和其他类物质含量的累积,能缩短醇类、酯类、烷烃类、酚类和醚类物质的累积时间;后发酵阶段添加氨基酸能促进豆瓣中醛类、酯类、酮类和其他类物质的累积,能缩短酯类、醚类和其他类物质的累积时间;且外源添加氨基酸可协调各类化合物的累积时间,并在50 d时形成风味物质含量最为丰富的豆瓣,发酵周期可由90 d缩短为50 d。外源添加氨基酸对异戊醛、异戊酸乙酯、3-甲硫基丙醇和3-甲硫基丙醛（豆瓣D）、苯甲醛（豆瓣D、E）、壬醛和乙酸乙酯（豆瓣B、D、E）的形成有积极作用,对苯乙烯、壬醛和棕榈酸乙酯（豆瓣A）的形成有消极作用,对异戊醇、异戊酸、月桂烯、芳樟醇、苯乙醇、苯乙醛、壬酸乙酯、乙酸乙酯（豆瓣A）、丁酸乙酯、棕榈酸乙酯（豆瓣B、D、E）、2-甲基丁酸乙酯、2,5-二甲基吡嗪、4-乙基苯酚和4-乙基-2-甲氧基苯酚无明显作用。选取六种不同品牌的郫县豆瓣为研究对象,通过FP法（Flash Profile）与QDA法（Quantitative Descriptive Analysis）对其进行感官分析,以建立适用于郫县豆瓣的感官分析方法。从两法的描述词、数据的可靠性、样品得分图、属性载荷图、样品聚类及相关性系数等方面进行比较,最终建立优化后的QDA法对外源添加氨基酸发酵郫县豆瓣及其红油豆瓣与炒制豆瓣共三种常见类型进行感官评价,发现添加植物油与炒制工艺均会影响豆瓣的风味方面的感官品质。聚类分析将豆瓣AE分为AB、CD、E三类,氨基酸的添加阶段不同导致豆瓣感官品质不同;豆瓣D、E在干湿度、草木组、油香组、颗粒感、咸味等属性表现出显着差异,两者未归为一类,表明后发酵阶段氨基酸的添加量不同也会导致感官品质差异。
谢滨瑶[7]（2020）在《基于图像处理的烟叶成熟度鉴别方法》文中研究说明烟叶田间成熟度作为影响烟叶品质的重要因素,仅靠烟农人工肉眼难以准确鉴别。为了实现在烟叶采收环节中准确地鉴别烟叶的成熟度,以下部烟叶为样本,基于图像处理技术对烟叶图像进行预处理,然后基于传统机器学习（BP神经网络和支持向量机）和深度学习（AlexNet和VGG16Net）建立相应的烟叶成熟度鉴别模型;通过分析对比各个模型的分类效果,得到最优模型。试验结果表明,基于图像处理技术、传统机器学习和深度学习鉴别烟叶成熟度的方法是可行的,为进一步研制烟叶采收机奠定了基础。本文主要研究内容与结论如下:（1）基于传统机器学习的烟叶成熟度鉴别方法。对采集的样本进行预处理,首先采用中值滤波算法进行去噪,然后采用二维伽马函数光照不均匀图像自适应矫正算法进行光照平衡,最后采用改进后的最大类间方差法和数学形态学的方法进行分割。预处理结束后,基于颜色空间模型和灰度共生矩阵,提取目标图像的颜色特征（R、G、H、S和V值）和纹理特征（能量、熵、惯性矩和相关性）。将提取的特征作为输入,BP神经网络作为分类技术,通过训练集中的1208份样本训练模型,得到基于BP神经网络的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为90.82%;支持向量机作为分类技术,通过训练集中的1208份样本训练模型,得到基于支持向量机的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为94.54%。（2）基于深度学习的烟叶成熟度鉴别方法。通过仿射变换算法对训练集中1208份样本进行数据增强,将训练集的样本扩充为4832份,Alex Net作为分类技术,在不同的优化器下,得到基于Alex Net的烟叶成熟度鉴别模型。在优化器SGDM下训练,得到的模型对测试集中403份样本进行预测,准确率为97.77%;在优化器RMSProp下训练,得到的模型对测试集中403份样本进行预测,准确率为96.28%;在优化器Adam下训练,得到的模型对测试集中403份样本进行预测,准确率为98.26%。通过仿射变换算法对训练集中1208份样本进行数据增强,训练集的样本扩充为4832份,VGG16Net作为分类技术,在优化器SGDM下训练模型,得到基于VGG16Net的烟叶成熟度鉴别模型,对测试集中403份样本进行预测,准确率为98.76%。（3）基于传统机器学习的烟叶成熟度鉴别方法中,采用支持向量机作为分类技术建立的模型准确率更高;基于深度学习的烟叶成熟度鉴别方法中,采用VGG16Net作为分类技术建立的模型准确率更高;深度学习模型的鉴别准确率普遍高于传统机器学习模型的准确率。
周永波[8]（2020）在《基于CNN的多光谱图像压缩方法研究》文中研究表明多光谱图像能实现物体空间信息和光谱信息的同步获取,因此多光谱图像在环境监测、生物医学、军事侦察等领域得到广泛的应用。但光谱信息的增加也使得多光谱图像具有数据量大的特点,这给多光谱图像数据的存储和传输带来很大困难。高性能的多光谱图像压缩算法是解决这一问题的关键,研究多光谱图像压缩算法对多光谱图像技术的发展有着重要的意义。本文从分析多光谱图像的特性出发,研究了主流的三种多光谱图像压缩算法,并通过对基于变换的多光谱图像压缩算法的分析,证明了该算法中的频域变换与卷积神经网络的卷积变换,在一定程度上是等效的。利用卷积神经网络替代基于变换的多光谱图像压缩算法中的频域变换,本文提出一种基于卷积神经网络的端到端多光谱图像压缩方法。在编码端,将多光谱图像整体输入到前向编码网络中,经过卷积层提取主要空谱特征;使用下采样减小空谱特征图的尺寸;通过率失真优化模块,控制空谱特征数据的信息熵,使其分布趋于紧凑;然后将量化后的空谱特征数据,进行无损熵编码处理,得到多光谱图像压缩码流。在解码端,压缩码流经过熵解码、逆量化、上采样、反卷积的逆变换过程,恢复为多光谱图像。通过分析证明了卷积层提取的多通道空谱特征,其每个通道的特征对恢复多光谱图像的贡献各不相同。因此在特征维度上,对基于卷积神经网络的端到端多光谱图像压缩网络进行改进,加入特征通道加权模块,提出一种基于特征通道加权的残差网络多光谱图像压缩算法。在提取多光谱图像特征时,特征通道加权模块能显式地建模特征通道之间的关系,通过训练自适应地获取每个特征通道的重要系数,提升对多光谱图像恢复贡献较大特征的权重,减小对多光谱图像恢复贡献较小特征的权重。实验表明,本文提出的多光谱图像压缩算法,在峰值信噪比和光谱相似度指标上,均优于JPEG和JPEG2000算法,并且该算法对不同多光谱图像仍具有较好的压缩性能,具有较好的鲁棒性。
陈飞[9]（2018）在《基于微量组分的白酒基酒分类鉴别与模式识别研究》文中进行了进一步梳理白酒作为我国传统的民族工业,有着悠久的历史和深厚的文化底蕴。基酒作为勾调白酒的母液,其地位和作用自然不可忽视,然而基酒存在着掺假、伪造以及酒龄溯源困难等一系列问题。因此,如何通过基酒的高灵敏度、高分辨率以及快速的检测,从而达到不同等级、年份和香型基酒的鉴别分类及模式识别的目的,是目前研究的重点。基于此,本文利用GC和GC/Q-TOFMS对白酒基酒中的微量组分进行定量检测,通过主成分分析（PCA）、聚类分析（HCA）、判别分析（LDA）以及神经网络分析（ANN）等模式识别技术对基酒进行鉴别分类并建立模型。本文主要完成了以下工作:（1）采用气相色谱（GC）内标法对不同等级、香型白酒基酒中乙酸乙酯、乙醛、β-苯乙醇等33种微量组分进行了定量检测,并对检测方法做了精密度和回收率等检验。利用单因素方差分析（ANOVA）、主成分分析（PCA）、聚类分析（HCA）和判别分析（LDA）对数据进行分析。结果表明:乙醛、乙缩醛、甲醇、丁酸乙酯、仲丁醇、正丙醇、异丁醇、正丁醇、乙酸乙酯以及乳酸乙酯10种微量组分对不同等级基酒有显着性影响,乙醛、乙酸乙酯、乙缩醛、甲醇、丁酸乙酯、仲丁醇、异丁醇、异戊醇、乙酸乙酯以及乳酸乙酯10种微量组分对不同香型基酒有显着性影响。主成分和聚类分析均能实现不同等级、香型基酒的正确区分,判别分析对未知样分类正确率为100%。（2）采用气相色谱/四级杆飞行时间质谱仪（GC/Q-TOFMS）内标法定量检测了不同年份、等级白酒基酒中甲酸乙酯、乙缩醛、甲酸等79种微量组分,通过精密度和回收率实验检验了方法的重复性和精确度。利用单因素方差分析（ANOVA）分别筛选出甲酸乙酯、丙酸以及正丙醛等43种对不同年份白酒基酒有显着性影响的微量组分,甲酸乙酯、丁酸以及4-甲基苯酚等37种对不同等级白酒基酒有显着性影响的微量组分。利用主成分分析（PCA）、聚类分析（HCA）和判别分析（LDA）对筛选出的43种微量组分进行处理,主成分分析、聚类分析、判别分析均能实现不同年份基酒的正确分类,判别分析对未知样的分类准确率为96.7%。（3）将筛选的对不同等级基酒有显着性影响的37种微量组分进行主成分分析,得到不同等级白酒基酒的综合特征指标G。以综合指标G为自变量g,感官品评得分U为因变量进行线性回归、二次回归、三次回归、对数回归以及指数回归等回归分析,得到回归方程U=f（g）,建立了一种不同质量白酒基酒的等级评价模型U=0.00013g3-0.0182g2+0.993g+72.193。对模型进行验证,符合率达到95%。（4）将筛选的对不同年份基酒有显着性影响的43种微量组分数据进行Z标准化处理后,通过神经网络建立基酒酒龄识别模型,并采用混淆矩阵和F1-score得分对模型进行评价。结果表明:神经网络在训练初期,准确率仅为20%,在迭代了40次以上时,训练准确率达到100%的水平,模型最低判定概率达到74.6%,分类准确率为100%,所有类别预测准确率为100%。
李志华[10]（2018）在《用于白酒识别的手持式电子鼻系统设计与应用》文中进行了进一步梳理中国的白酒文化历史悠久,白酒更是国人的重要消费品。白酒市场快速发展的同时,也出现了各种各样的问题,其中最严重的就是“以假乱真”、“以次充好”现象。因此,有必要通过技术手段实现对白酒的分类和对真假白酒的快速识别,从而促进白酒市场的健康发展,保护广大消费者的身心健康。电子鼻是模拟生物嗅觉系统制作的一种现代检测设备。电子鼻出现之前通常采用色谱法、光谱法以及感官评价等方法对白酒进行评价和辨识,这些方法不仅费时费力而且不便推广。电子鼻的出现则能够解决这些问题,因为它具有快速、便携、可靠等特点。本文针对白酒的采样和识别问题设计了一款手持式电子鼻设备,并以6种浓香型白酒作为实验材料进行采样。对采集到的白酒数据进行分析处理,旨在探索出快速、可靠的白酒分类和白酒真假识别方案。本文完成的主要研究工作如下:（1）设计并制作了一套手持式电子鼻设备。该设备自动化程度很高,用户只需在开机之后对采样参数进行设置,后续的采样将全部由电子鼻设备自动完成。通过程序对气泵、电磁阀等执行机构进行控制可以实现采样气路的自动切换,从而自动完成白酒样品的进样和气路系统的清洗。系统总体重量297g,体积为12*10*5cm3,平均功率在5w以内,完全满足手持设备的要求。（2）结合电子鼻设备的采样特点提出了一系列白酒识别的解决方案。为了解决白酒多类分类问题,采用支持向量机等算法对采集到的6种白酒样本进行分类,分类正确率均在94%以上。对于白酒真假识别问题,首先采用单分类支持向量机模型分别对6种白酒进行真假识别,发现该模型难以兼顾正类样本和异类样本的识别率。为了解决这一问题,本文引入boosting机制对多个单分类支持向量机模型进行集成,最终对百年皖酒、稻花香、兰津酒、牛栏山、青酒、十里香等6种白酒的识别正确率分别为92.9%、93.1%、99.0%、95.7%、87.8%和100%。（3）将白酒样本采集和数据识别全部集成到了电子鼻后台程序上,实现了白酒采集和识别的一体化。利用平台所用嵌入式Linux系统的优势,采用python语言实现了数据的预处理、特征提取与降维,并将K近邻算法和支持向量机算法集成到python脚本中,最终实现了对白酒的在线识别。
二、基于前向神经网络的呈香物质识别方法研究（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、基于前向神经网络的呈香物质识别方法研究（论文提纲范文）
（1）基于深度卷积神经网络的肿瘤微细血管重建方法研究（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 国内外研究现状 |
| 1.2.1 介观荧光分子层析成像的研究现状 |
| 1.2.2 深度学习在医学影像领域中的研究现状 |
| 1.3 主要研究内容及章节安排 |
| 第2章 介观荧光分子层析成像理论及系统 |
| 2.1 引言 |
| 2.2 光在组织体中的传播 |
| 2.3 光子传输模型 |
| 2.3.1 辐射传输方程 |
| 2.3.2 确定性模型 |
| 2.3.3 蒙特卡罗模型 |
| 2.4 基于蒙特卡罗仿真的MFMT的成像理论 |
| 2.4.1 前向问题 |
| 2.4.2 逆向问题 |
| 2.5 逆向问题求解常用算法原理概述 |
| 2.5.1 基于共轭梯度的逆向重建算法 |
| 2.5.2 基于最小二乘QR分解的逆向重建算法 |
| 2.5.3 基于联合代数重建技术的逆向重建算法 |
| 2.6 介观荧光分子层析成像系统 |
| 2.7 本章小结 |
| 第3章 深度卷积对称网络联合SART的微细血管重建 |
| 3.1 引言 |
| 3.2 卷积神经网络的降维应用 |
| 3.2.1 堆栈式自编码器 |
| 3.2.2 端到端深度神经网络Res U-net |
| 3.3 DCSN网络结构 |
| 3.4 实验数据及其预处理方法 |
| 3.5 网络训练 |
| 3.5.1 权重初始化 |
| 3.5.2 学习率 |
| 3.5.3 优化算法 |
| 3.6 实验仿真与结果分析 |
| 3.6.1 不同维度敏感矩阵对重建结果的影响 |
| 3.6.2 不同算法重建性能对比与分析 |
| 3.6.3 不同信噪比数据对重建结果的影响 |
| 3.7 本章小结 |
| 第4章 基于深度卷积复式跳跃密集网络微细血管重建 |
| 4.1 引言 |
| 4.2 doub-SD网络结构 |
| 4.2.1 复式跳跃残差块 |
| 4.2.2 带有瓶颈层的复式跳跃残差块 |
| 4.2.3 带有瓶颈层的密集交互连接 |
| 4.3 基于doub-SD的微细血管重建实验 |
| 4.3.1 不同残差块数目对重建性能的影响 |
| 4.3.2 网络训练结果及重建结果对比与分析 |
| 4.4 应用于血管树合成数据的重建结果与分析 |
| 4.4.1 血管树合成数据及其参数设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（2）区域旅游吸引力与游客流动倾向响应研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关理论基础 |
| 2.1 相关概念 |
| 2.1.1 旅游吸引力 |
| 2.1.2 区域旅游吸引力网络结构 |
| 2.1.3 游客流动倾向 |
| 2.2 相关理论 |
| 2.2.1 流动空间理论 |
| 2.2.2 空间相互作用理论 |
| 2.2.3 旅游空间结构理论 |
| 2.2.4 旅游供求均衡理论 |
| 2.2.5 机器学习理论 |
| 2.3 本章小结 |
| 第3章 区域旅游吸引力网络结构构建 |
| 3.1 总体思路 |
| 3.2 网络范围界定 |
| 3.3 网络节点提取 |
| 3.4 网络连线赋权 |
| 3.4.1 测度模型选取 |
| 3.4.2 目的地影响力测评 |
| 3.4.3 客源地出游力测评 |
| 3.4.4 目的地-客源地时间距离测评 |
| 3.5 网络拓扑结构绘制 |
| 3.6 本章小结 |
| 第4章 区域旅游吸引力网络结构特征分析 |
| 4.1 区域旅游吸引力网络结构特征评价体系综合识别 |
| 4.2 基于原值网络的区域旅游吸引力空间差异特征认知 |
| 4.2.1 空间总体差异特征 |
| 4.2.2 空间相对差异特征 |
| 4.3 基于二值网络的区域旅游吸引力空间关联特征识别 |
| 4.3.1 数据处理 |
| 4.3.2 网络节点位置评价 |
| 4.3.3 整体网络结构评价 |
| 4.4 基于Top网络的区域旅游吸引力空间集聚特征判定 |
| 4.4.1 数据处理 |
| 4.4.2 网络集聚特征测度指标 |
| 4.5 本章小结 |
| 第5章 区域旅游吸引力与游客流动倾向响应关系检验 |
| 5.1 旅游吸引力与游客流动倾向交互响应机理 |
| 5.1.1 旅游吸引力驱动下游客流动倾向响应机理 |
| 5.1.2 游客流动倾向驱动下旅游吸引力响应机理 |
| 5.2 区域游客流动倾向测评 |
| 5.2.1 游客流动倾向数据来源 |
| 5.2.2 游客流动倾向衡量方式 |
| 5.2.3 游客流动倾向特征分析 |
| 5.3 区域旅游吸引力与游客流动倾向响应效果检验 |
| 5.3.1 区域总体响应效果 |
| 5.3.2 城市局部响应效果 |
| 5.3.3 城市间路径响应效果 |
| 5.4 本章小结 |
| 第6章 区域旅游吸引力与游客流动倾向响应系统预测模型建立 |
| 6.1 指标来源与处理 |
| 6.1.1 旅游吸引力相关指标 |
| 6.1.2 游客流动倾向相关指标 |
| 6.1.3 旅游吸引力与游客流动倾向响应关系衡量指标 |
| 6.2 基于地理探测器的影响因素遴选 |
| 6.2.1 地理探测器作用原理 |
| 6.2.2 地理探测器适用条件 |
| 6.2.3 地理探测器模块划分 |
| 6.2.4 基于地理探测器的影响因素遴选的基本步骤 |
| 6.3 基于BP神经网络的预测模型构建 |
| 6.3.1 BP神经网络模型概述 |
| 6.3.2 BP神经网络学习算法 |
| 6.3.3 基于BP神经网络的响应系统建模的基本步骤 |
| 6.3.4 对比模型构建 |
| 6.4 本章小结 |
| 第7章 实证研究——以京津冀地区为例 |
| 7.1 研究区域与数据来源 |
| 7.1.1 研究区域概况 |
| 7.1.2 研究时段截取 |
| 7.1.3 研究数据来源与处理 |
| 7.2 京津冀区域旅游吸引力网络结构构建 |
| 7.2.1 京津冀区域旅游吸引力各要素分析 |
| 7.2.2 京津冀区域旅游吸引力关系矩阵构建 |
| 7.3 京津冀区域旅游吸引力网络结构的空间维度特征分析 |
| 7.3.1 基于原值网络的京津冀区域旅游吸引力空间差异特征分析 |
| 7.3.2 基于二值网络的京津冀区域旅游吸引力空间关联特征分析 |
| 7.3.3 基于Top网络的京津冀区域旅游吸引力空间集聚特征分析 |
| 7.4 京津冀区域旅游吸引力与游客流动倾向响应关系检验 |
| 7.4.1 京津冀区域游客流动倾向测评 |
| 7.4.2 京津冀区域旅游吸引力与游客流动倾向响应效果 |
| 7.5 京津冀区域旅游吸引力与游客流动倾向响应系统模拟预测 |
| 7.5.1 基于地理探测器的指标遴选 |
| 7.5.2 基于BP神经网络的响应系统模拟 |
| 7.6 本章小结 |
| 第8章 区域旅游吸引力与游客流动倾向响应水平提升对策 |
| 8.1 统筹制定区域旅游业发展整体规划 |
| 8.1.1 强化多中心一盘棋思想 |
| 8.1.2 培育层次合理等级体系 |
| 8.1.3 推进跨区域旅游合作网络 |
| 8.2 合理优化区域旅游吸引力网络结构 |
| 8.2.1 打造高效交通网络体系 |
| 8.2.2 注重跨城市旅游线路整合 |
| 8.2.3 健全全方位旅游服务 |
| 8.3 科学引导区域旅游者行为 |
| 8.3.1 创新区域旅游营销模式 |
| 8.3.2 调节区域旅游流流向 |
| 8.3.3 管控区域旅游流流量 |
| 8.4 加快推进区域旅游高质量发展 |
| 8.4.1 积极推进智慧旅游建设 |
| 8.4.2 加大生态环境保护和治理力度 |
| 8.4.3 创新推动文旅融合发展 |
| 8.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）烟叶复烤润叶效果预测与优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 打叶复烤工艺的研究现状 |
| 1.3.2 润叶工艺研究现状 |
| 1.3.3 多目标优化算法研究现状 |
| 1.3.4 神经网络研究现状 |
| 1.4 论文主要研究内容 |
| 1.5 本章小结 |
| 第二章 润叶工艺分析与试验 |
| 2.1 润叶工艺过程分析 |
| 2.1.1 润叶工艺过程 |
| 2.1.2 润后烟叶的优化参数选取 |
| 2.1.3 设备关键工艺参数选择 |
| 2.2 润叶工艺试验分析与方案设计 |
| 2.2.1 润叶工艺试验分析 |
| 2.2.2 试验方案设计 |
| 2.3 试验过程与数据采集 |
| 2.4 本章小结 |
| 第三章 神经网络与综合评价方法理论基础 |
| 3.1 神经网络模型的建立 |
| 3.1.1 前向传播模型的建立 |
| 3.1.2 BP神经网络模型的建立 |
| 3.1.3 RNN神经网络的建立 |
| 3.2 GA算法 |
| 3.3 编程使用的工具和平台 |
| 3.3.1 Tensorflow深度学习框架 |
| 3.3.2 Keras简介 |
| 3.4 层次分析法 |
| 3.4.1 构建层次分析结构 |
| 3.4.2 构建判断矩阵 |
| 3.4.3 一致性检验 |
| 3.4.4 层次排序 |
| 3.5 本章小结 |
| 第四章 润叶阶段的建模与预测 |
| 4.1 问题描述 |
| 4.2 多元线性回归建模与分析 |
| 4.2.1 方差分析 |
| 4.2.2 残差分析 |
| 4.3 BP神经网络建立润叶预测模型 |
| 4.3.1 BP神经网络的结构设计 |
| 4.3.2 BP神经网络计算流程 |
| 4.3.3 BP神经网络模型的参数调节与分析 |
| 4.4 循环神经网络建立润叶预测模型 |
| 4.4.1 循环神经网络的设计 |
| 4.4.2 循环神经网络的参数选择与计算 |
| 4.5 预测模型的对比分析与评价 |
| 4.6 本章小结 |
| 第五章 润叶工艺方案的多目标优化与评价 |
| 5.1 多目标优化 |
| 5.1.1 数据扩充 |
| 5.1.2 基于范围的多目标优化算法 |
| 5.1.3 润叶方案制定 |
| 5.2 润叶工艺方案的评价 |
| 5.2.1 层次分析结构建立 |
| 5.2.2 构造相应判断矩阵 |
| 5.2.3 层次排序 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间的学术成果及参与项目 |
（4）集群环境中的产学研协同创新研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.1.3 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 协同创新相关研究 |
| 1.2.2 产学研协同创新相关研究 |
| 1.2.3 集群中的产学研协同创新相关研究 |
| 1.2.4 研究现状述评 |
| 1.3 研究内容、方法与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 主要工作和创新 |
| 第2章 相关概念界定及理论基础 |
| 2.1 相关概念界定 |
| 2.1.1 “集群环境”的概念 |
| 2.1.2 产学研协同创新的平台类别 |
| 2.1.3 产学研协同创新的运行过程 |
| 2.2 理论基础 |
| 2.2.1 产业集群理论 |
| 2.2.2 协同学理论 |
| 2.2.3 博弈理论 |
| 2.2.4 创新扩散理论 |
| 2.2.5 复杂网络理论 |
| 2.3 本章小结 |
| 第3章 集群环境中的产学研协同创新系统机理分析 |
| 3.1 集群环境中的产学研协同创新系统研究基础 |
| 3.1.1 特征和功能 |
| 3.1.2 构成要素 |
| 3.1.3 协同类型 |
| 3.2 集群环境中的产学研协同创新系统结构和内涵解释 |
| 3.2.1 系统结构 |
| 3.2.2 内涵解释 |
| 3.3 集群环境与产学研协同创新相互作用机理 |
| 3.4 集群环境中的产学研协同创新风险及其对创新协同影响 |
| 3.4.1 集群环境中的产学研协同创新风险分析 |
| 3.4.2 风险对产学研之间创新协同的影响分析 |
| 3.5 研究框架 |
| 3.6 本章小结 |
| 第4章 集群环境中的产学研协同创新联盟伙伴选择 |
| 4.1 集群环境中的产学研协同创新伙伴选择必要性分析 |
| 4.2 伙伴选择的原则 |
| 4.3 评价指标体系与测度方法 |
| 4.3.1 指标体系构建 |
| 4.3.2 测度方法选择 |
| 4.4 基于改进ELMAN神经网络的伙伴选择测度模型构建 |
| 4.4.1 ELMAN神经网络原理 |
| 4.4.2 改进的ELMAN神经网络模型设计 |
| 4.5 实证分析 |
| 4.5.1 评价指标测度表设计 |
| 4.5.2 原始数据获取与处理 |
| 4.5.3 改进的ELMAN神经网络模型评价结果及分析 |
| 4.6 本章小结 |
| 第5章 集群环境中的产学研协同创新联盟博弈分析 |
| 5.1 集群环境中的产学研协同创新联盟博弈概念解析 |
| 5.2 两阶段博弈特点分析 |
| 5.3 竞合博弈阶段建模及分析 |
| 5.3.1 博弈模型构建 |
| 5.3.2 契约达成条件分析 |
| 5.4 分配博弈阶段建模及分析 |
| 5.4.1 基本Shapley值分配模型 |
| 5.4.2 改进的Shapley值分配模型设计 |
| 5.4.3 案例计算及分析 |
| 5.4.4 集群共同基金补偿方案 |
| 5.5 本章小结 |
| 第6章 集群环境中的产学研协同创新联盟成果扩散仿真研究 |
| 6.1 集群环境中的产学研协同创新联盟成果扩散的含义 |
| 6.2 集群环境中的产学研协同创新联盟成果扩散模型构建思想 |
| 6.3 病毒传播模型和复杂网络建模的适用性分析 |
| 6.3.1 病毒传播模型适用性分析 |
| 6.3.2 复杂网络建模适用性分析 |
| 6.4 集群环境中的产学研协同创新联盟成果扩散模型构建 |
| 6.4.1 集群企业演化网络建模 |
| 6.4.2 联盟成果扩散模型构建 |
| 6.5 仿真与分析 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论与管理启示 |
| 7.1.1 研究结论 |
| 7.1.2 管理启示 |
| 7.2 研究不足与研究展望 |
| 7.2.1 研究不足 |
| 7.2.2 研究展望 |
| 参考文献 |
| 附录 集群中的产学研协同创新伙伴选择指标调查问卷 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于组学技术的中国黄酒陈酿香气组分分析及酒龄识别的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 中国黄酒陈酿及其陈酿香 |
| 1.2 酒类陈酿/老化研究的国内外进展 |
| 1.2.1 日本清酒陈酿/贮存的研究进展 |
| 1.2.2 葡萄酒陈酿/贮存的研究进展 |
| 1.2.3 啤酒老化/氧化的研究进展 |
| 1.2.4 黄酒陈酿/贮存的研究进展及存在的问题 |
| 1.2.5 现代酒类陈酿/老化的研究思想、方法策略及研究意义 |
| 1.3 酒类分类识别及酒龄鉴别研究的国内外进展 |
| 1.3.1 黄酒分类识别及酒龄鉴别的研究进展 |
| 1.3.2 其他酒类分类识别及酒龄鉴别的研究进展 |
| 1.3.3 现代酒类分类识别及酒龄鉴别的研究思想、方法策略及研究意义 |
| 1.4 代谢组学及其在酒中应用的研究进展 |
| 1.4.1 代谢组学的提出及特点 |
| 1.4.2 代谢组学的研究方法和策略 |
| 1.4.3 酒代谢组学(Wine metabolomics)的提出与应用 |
| 1.5 风味组学及其在酒中应用的研究进展 |
| 1.5.1 风味组学的提出及研究思路和方法 |
| 1.5.2 风味组学在酒中的应用 |
| 1.6 本研究立题思路及研究内容 |
| 1.6.1 立题依据及研究思路 |
| 1.6.2 本研究内容、技术路线及意义 |
| 第二章 基于GC/MS非靶向代谢组学的黄酒陈酿香气组分分析及酒龄识别的研究 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 黄酒样品 |
| 2.2.2 主要试剂 |
| 2.2.3 主要仪器 |
| 2.2.4 基于GC/MS非靶向代谢组学的分析策略与方法 |
| 2.3 结果与讨论 |
| 2.3.1 基于XCMS-Online在线分析软件,数据前处理分析平台的建立 |
| 2.3.2 不同酒龄黄酒GC/MS代谢组学结果的输出 |
| 2.3.3 不同酒龄黄酒中特征峰的优化及酒龄识别的PLSR分析 |
| 2.3.4 不同酒龄黄酒中特征峰的初步鉴定 |
| 2.3.5 基于GC/MS非靶向代谢组学的不同酒龄黄酒的识别研究 |
| 2.4 本章小结 |
| 第三章 基于风味组学技术和多方法联用定量策略的黄酒陈酿香气组分分析 |
| 3.1 前言 |
| 3.2 材料与方法 |
| 3.2.1 黄酒样品 |
| 3.2.2 主要试剂 |
| 3.2.3 主要仪器 |
| 3.2.4 研究方法 |
| 3.3 结果与讨论 |
| 3.3.1 新酒与陈酒中香气活性成分的初步鉴定及香气特征分析 |
| 3.3.2 采用多方法联用策略对不同酒龄黄酒中香气组分的定量结果 |
| 3.3.3 黄酒陈酿过程中香气化合物变化趋势分析及潜在Aging markers的筛选 |
| 3.3.4 黄酒陈酿过程中香气化合物OAV值分析及Key aging-aromas的筛选 |
| 3.3.5 黄酒陈酿过程中Key aging-markers的筛选 |
| 3.3.6 狭义黄酒陈酿香气组分的筛选 |
| 3.4 本章小结 |
| 第四章 基于风味导向策略的黄酒酒龄识别的研究 |
| 4.1 前言 |
| 4.2 材料与方法 |
| 4.2.1 黄酒样品 |
| 4.2.2 主要试剂 |
| 4.2.3 主要仪器 |
| 4.2.4 统计学分析和建模方法 |
| 4.3 结果与讨论 |
| 4.3.1 黄酒陈酿过程中Aging markers的 PCA和 CA分析 |
| 4.3.2 黄酒陈酿过程中Key aging-markers的 PCA及黄酒陈酿特性分析 |
| 4.3.3 黄酒陈酿过程中Key aging-markers的回归分析及酒龄预测方法的研究 |
| 4.4 本章小结 |
| 第五章 非靶向代谢组学联合SPME-GC/MS定量分析环境因素对黄酒陈酿香的影响 |
| 5.1 前言 |
| 5.2 材料与方法 |
| 5.2.1 黄酒样品 |
| 5.2.2 主要试剂 |
| 5.2.3 主要仪器 |
| 5.2.4 影响因素的研究方法 |
| 5.2.5 基于GC/MS非靶向代谢组学的分析方法 |
| 5.2.6 网络重构分析及图的绘制 |
| 5.3 结果与讨论 |
| 5.3.1 基于SPME-GC/MS非靶向代谢组学结果的输出 |
| 5.3.2 网络重构联合SPME-GC/MS定量分析温度和溶氧对黄酒陈酿香的影响 |
| 5.3.3 温度和溶氧对黄酒陈酿过程中6种Aging markers的影响 |
| 5.4 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 论文主要创新点 |
| 致谢 |
| 参考文献 |
| 附录 :作者攻读博士学位期间发表的文章和取得成果 |
| 附表 |
（6）外源氨基酸对郫县豆瓣风味品质的影响及感官评定方法的建立（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 郫县豆瓣的简介 |
| 1.2 影响郫县豆瓣发酵的主要因素 |
| 1.2.1 微生物 |
| 1.2.2 酶类 |
| 1.2.3 美拉德反应 |
| 1.2.4 温度 |
| 1.3 郫县豆瓣及其他调味品的研究现状 |
| 1.3.1 郫县豆瓣的工艺研究 |
| 1.3.2 郫县豆瓣的微生物研究 |
| 1.3.3 郫县豆瓣的风味物质研究 |
| 1.3.4 其他发酵调味品的研究现状 |
| 1.4 发酵调味品的感官分析现状 |
| 1.5 本课题的研究目的与意义 |
| 1.6 本课题的主要研究内容 |
| 2 外源添加氨基酸对郫县豆瓣模拟体系的影响 |
| 2.1 前言 |
| 2.2 实验材料与仪器 |
| 2.2.1 实验材料与试剂 |
| 2.2.2 实验设备与仪器 |
| 2.3 实验方法 |
| 2.3.1 郫县豆瓣水提液的制备 |
| 2.3.2 单一氨基酸与豆瓣水提液美拉德反应 |
| 2.3.3 复合氨基酸与豆瓣水提液美拉德反应 |
| 2.3.4 挥发性风味物质的测定 |
| 2.3.5 感官评价方法 |
| 2.3.6 数据处理 |
| 2.4 结果与分析 |
| 2.4.1 单一氨基酸对郫县豆瓣特征风味的贡献 |
| 2.4.2 复合氨基酸用量对郫县豆瓣风味的影响 |
| 2.4.3 复合氨基酸比例对郫县豆瓣风味的影响 |
| 2.5 本章小结 |
| 3 外源添加氨基酸对郫县豆瓣实际发酵体系的影响 |
| 3.1 前言 |
| 3.2 实验材料与设备 |
| 3.2.1 材料与试剂 |
| 3.2.2 仪器与设备 |
| 3.3 实验方法 |
| 3.3.1 不同温度发酵甜瓣子 |
| 3.3.2 外源添加氨基酸发酵郫县豆瓣 |
| 3.3.3 理化指标测定 |
| 3.3.4 挥发性风味物质测定 |
| 3.3.5 数据处理 |
| 3.4 结果与分析 |
| 3.4.1 温度对甜瓣子发酵过程的影响 |
| 3.4.2 外源添加氨基酸对甜瓣子发酵的影响 |
| 3.4.3 外源添加氨基酸对郫县豆瓣后发酵的影响 |
| 3.5 本章小结 |
| 4 郫县豆瓣感官分析方法的建立与应用 |
| 4.1 前言 |
| 4.2 实验材料与设备 |
| 4.2.1 实验材料 |
| 4.2.2 实验设备 |
| 4.3 实验方法 |
| 4.3.1 郫县豆瓣样品选定及制备 |
| 4.3.2 FP法 |
| 4.3.3 QDA法 |
| 4.3.4 优化后的QDA法 |
| 4.3.5 数据处理 |
| 4.4 结果与分析 |
| 4.4.1 FP法与QDA法建立的描述词比较 |
| 4.4.2 QDA数据可靠性评估 |
| 4.4.3 FP数据与QDA数据比较 |
| 4.4.4 优化后的QDA法 |
| 4.5 本章小结 |
| 结论与展望 |
| (1)主要结论 |
| (2)展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（7）基于图像处理的烟叶成熟度鉴别方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 烟叶图像处理方法研究现状及分析 |
| 1.2.2 烟叶成熟度的鉴别方法研究现状及分析 |
| 1.3 当前研究存在的主要问题 |
| 1.4 本文主要研究内容与技术路线 |
| 1.5 本章小结 |
| 第2章 模式识别方法 |
| 2.1 BP神经网络 |
| 2.2 支持向量机 |
| 2.3 深度卷积神经网络 |
| 2.3.1 深度卷积神经网络概述 |
| 2.3.2 优化器的选择 |
| 2.3.3 避免过拟合的方法 |
| 2.4 本章小结 |
| 第3章 基于传统机器学习的烟叶成熟度鉴别方法 |
| 3.1 烟叶图像的采集 |
| 3.2 烟叶图像的预处理 |
| 3.2.1 烟叶图像的去噪 |
| 3.2.2 烟叶图像的光照平衡 |
| 3.2.3 烟叶图像的分割 |
| 3.3 烟叶图像的特征提取 |
| 3.4 基于图像处理的烟叶成熟度BP神经网络鉴别方法 |
| 3.4.1 建立基于BP神经网络的烟叶成熟度鉴别模型 |
| 3.4.2 模型IMTLR-BPNN的结果与分析 |
| 3.5 基于图像处理的烟叶成熟度支持向量机鉴别方法 |
| 3.5.1 建立基于支持向量机的烟叶成熟度鉴别模型 |
| 3.5.2 模型IMTLR-SVM的结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深度学习的烟叶成熟度鉴别方法 |
| 4.1 烟叶图像的数据增强 |
| 4.2 基于图像处理的烟叶成熟度Alex Net鉴别方法 |
| 4.2.1 模型IMTLR-Alex Net的网络结构 |
| 4.2.2 基于Alex Net的模型训练过程与结果分析 |
| 4.2.3 基于Alex Net各优化器下的模型比较 |
| 4.3 基于图像处理的烟叶成熟度VGG16Net鉴别方法 |
| 4.3.1 模型IMTLR-VGG16Net的网络结构 |
| 4.3.2 IMTLR-VGG16Net的训练过程与结果分析 |
| 4.4 基于图像处理的烟叶成熟度鉴别方法比较 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所发表论文及参与课题 |
（8）基于CNN的多光谱图像压缩方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 国内外相关领域研究背景及现状 |
| 1.2.1 二维图像压缩编码技术概况 |
| 1.2.2 三维图像压缩编码技术概况 |
| 1.3 论文内容及结构 |
| 第二章 图像压缩与神经网络理论基础 |
| 2.1 图像信息理论 |
| 2.1.1 图像的信息量 |
| 2.1.2 图像信息的频域特性 |
| 2.2 图像压缩理论基础 |
| 2.2.1 图像预处理 |
| 2.2.2 DCT变换 |
| 2.2.3 量化 |
| 2.2.4 编码 |
| 2.2.5 图像质量评价方法 |
| 2.3 神经网络理论基础 |
| 2.3.1 分布式知识表达 |
| 2.3.2 前向传播算法 |
| 2.3.3 反向传播算法 |
| 2.4 本章小结 |
| 第三章 基于卷积神经网络的端到端多光谱图像压缩方法 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络降低参数量 |
| 3.1.2 卷积层参数 |
| 3.1.3 卷积神经网络的感受野 |
| 3.2 基于卷积神经网络的端到端多光谱图像压缩算法 |
| 3.2.1 多光谱图像压缩网络结构 |
| 3.2.2 前向编码网络 |
| 3.2.2.1 Res Unit结构 |
| 3.2.3 量化层与熵编码层 |
| 3.2.4 反向解码网络 |
| 3.2.5 率失真优化模块 |
| 3.2.6 网络参数更新 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据集 |
| 3.3.2 网络参数设置 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于特征通道加权的残差网络多光谱图像压缩算法 |
| 4.1 特征通道加权模块 |
| 4.2 加入特征通道加权模块的压缩网络结构 |
| 4.3 实验结果与分析 |
| 4.4 网络计算复杂度分析 |
| 4.5 网络细节设置对比分析 |
| 4.5.1 降维系数设置 |
| 4.5.2 聚合特征图的全局信息 |
| 4.5.3 特征通道权重重标定 |
| 4.5.4 特征通道加权模块嵌入位置 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）基于微量组分的白酒基酒分类鉴别与模式识别研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 中英文缩略词 |
| 1 绪论 |
| 1.1 中国白酒简介 |
| 1.2 白酒基酒简介 |
| 1.2.1 白酒基酒的种类 |
| 1.2.2 白酒基酒中的微量组分 |
| 1.3 中国白酒业及基酒业发展现状 |
| 1.4 白酒基酒检测方法 |
| 1.4.1 感官品评法 |
| 1.4.2 仪器分析法 |
| 1.5 数据处理方法 |
| 1.5.1 单因素方差分析 |
| 1.5.2 主成分分析 |
| 1.5.3 聚类分析 |
| 1.5.4 判别分析 |
| 1.5.5 神经网络分析 |
| 1.6 论文的研究目的及主要研究内容 |
| 1.6.1 论文研究目的及意义 |
| 1.6.2 论文主要研究内容 |
| 2 基于GC的不同等级、香型白酒基酒鉴别分类研究 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 实验装置与仪器 |
| 2.2.2 试剂与材料 |
| 2.2.3 基酒酒样 |
| 2.2.4 混合组分标准曲线的配制 |
| 2.2.5 气相色谱测定条件 |
| 2.3 结果与分析 |
| 2.3.1 精密度实验 |
| 2.3.2 回收率实验 |
| 2.3.3 显着性分析 |
| 2.3.4 不同等级白酒基酒的鉴别分析 |
| 2.3.5 不同香型白酒基酒的鉴别分析 |
| 2.4 本章小结 |
| 3 基于GC/Q-TOFMS的不同年份白酒基酒鉴别分类及基酒质量判别模型的建立 |
| 3.1 前言 |
| 3.2 实验材料与方法 |
| 3.2.1 实验所用标准品与其他试剂 |
| 3.2.2 基酒样品 |
| 3.2.3 混合组分标准曲线的配制 |
| 3.2.4 GC/Q-TOFMS分析条件 |
| 3.3 结果与分析 |
| 3.3.1 定量检测 |
| 3.3.2 回收率实验 |
| 3.3.3 精密度测定 |
| 3.3.4 显着性分析 |
| 3.3.5 不同年份白酒基酒的鉴别分析 |
| 3.4 基于PCA的浓香型白酒基酒等级评判模型的建立 |
| 3.4.1 感官评定 |
| 3.4.2 模型建立的步骤 |
| 3.4.3 结果与分析 |
| 3.5 本章小结 |
| 4 基于神经网络的白酒基酒酒龄识别模型的构建 |
| 4.1 引言 |
| 4.2 神经网络的基本原理 |
| 4.3 实证设计、数据集划分和数据预处理 |
| 4.4 神经网络的参数和架构设计 |
| 4.4.1 神经网络的参数和架构设计 |
| 4.4.2 神经网络的评价体系 |
| 4.5 神经网络训练和结果评价 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间发表的论文目录 |
| B.作者在攻读硕士学位期间申请的专利目录 |
| C.论文中GC和GC/Q-TOFMS相关色谱质谱图 |
（10）用于白酒识别的手持式电子鼻系统设计与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.1.1 白酒种类及成分 |
| 1.1.2 白酒识别常用方法 |
| 1.1.3 白酒行业现状与白酒识别存在问题 |
| 1.2 电子鼻概述 |
| 1.2.1 电子鼻系统组成与工作原理 |
| 1.2.2 电子鼻技术发展历程和国内外研究现状 |
| 1.2.3 手持式电子鼻简介 |
| 1.3 电子鼻系统应用 |
| 1.3.1 电子鼻在食品行业中的应用 |
| 1.3.2 电子鼻在酒类识别中的应用 |
| 1.4 本文研究内容和章节安排 |
| 第2章 手持式电子鼻系统硬件设计 |
| 2.1 气体传感器 |
| 2.1.1 气体传感器种类 |
| 2.1.2 传感器选型 |
| 2.1.3 阵列设计 |
| 2.2 传感器气室结构设计与优化 |
| 2.2.1 气室设计 |
| 2.2.2 结构优化 |
| 2.3 气路系统设计与优化 |
| 2.3.1 气体采样方式及特点 |
| 2.3.2 泵抽式气路系统 |
| 2.3.3 泵吹式气路系统 |
| 2.4 手持式电子鼻系统硬件组成 |
| 2.4.1 Linux系统板 |
| 2.4.2 系统扩展板 |
| 2.4.3 其余模块 |
| 2.5 手持式电子鼻工作流程及操作方法 |
| 2.6 本章小结 |
| 第3章 手持式电子鼻系统软件设计 |
| 3.1 软件整体架构 |
| 3.1.1 嵌入式Linux操作系统 |
| 3.1.2 基于Qt的嵌入式开发环境 |
| 3.2 主程序设计 |
| 3.2.1 GUI界面设计 |
| 3.2.2 主程序实现 |
| 3.3 采样程序设计 |
| 3.3.1 采样流程设计 |
| 3.3.2 采样程序实现 |
| 3.4 在线数据处理 |
| 3.4.1 数据处理流程设计 |
| 3.4.2 数据处理程序实现 |
| 3.5 本章小结 |
| 第4章 白酒识别数据处理与分析 |
| 4.1 数据预处理 |
| 4.1.1 硬件滤波电路 |
| 4.1.2 软件滤波方法 |
| 4.2 特征提取与降维 |
| 4.2.1 特征提取 |
| 4.2.2 特征降维 |
| 4.3 模式识别方法 |
| 4.3.1 支持向量机 |
| 4.3.2 Boosting算法 |
| 4.3.3 分类器参数寻优 |
| 4.3.4 基于boosting的单分类支持向量机算法 |
| 4.4 本章小结 |
| 第5章 手持式电子鼻系统在白酒识别中的应用 |
| 5.1 白酒采样 |
| 5.1.1 实验材料 |
| 5.1.2 采样条件和方法 |
| 5.2 手持式电子鼻在白酒多类分类中的应用 |
| 5.2.1 分类器及分类方法 |
| 5.2.2 结果分析与讨论 |
| 5.3 手持式电子鼻在白酒真假识别中的应用 |
| 5.3.1 分类器及分类方法 |
| 5.3.2 结果分析与讨论 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 ：部分章节主要符号解释 |
| 发表论文和科研情况说明 |
| 致谢 |
四、基于前向神经网络的呈香物质识别方法研究（论文参考文献）
- [1]基于深度卷积神经网络的肿瘤微细血管重建方法研究[D]. 弓雪. 山东工商学院, 2021(11)
- [2]区域旅游吸引力与游客流动倾向响应研究[D]. 潘越. 燕山大学, 2021(01)
- [3]烟叶复烤润叶效果预测与优化研究[D]. 周永长. 昆明理工大学, 2021(01)
- [4]集群环境中的产学研协同创新研究[D]. 李军. 太原理工大学, 2020(01)
- [5]基于组学技术的中国黄酒陈酿香气组分分析及酒龄识别的研究[D]. 王娜. 江南大学, 2020(01)
- [6]外源氨基酸对郫县豆瓣风味品质的影响及感官评定方法的建立[D]. 王雪梅. 西华大学, 2020(01)
- [7]基于图像处理的烟叶成熟度鉴别方法[D]. 谢滨瑶. 西南大学, 2020(01)
- [8]基于CNN的多光谱图像压缩方法研究[D]. 周永波. 南京航空航天大学, 2020(07)
- [9]基于微量组分的白酒基酒分类鉴别与模式识别研究[D]. 陈飞. 重庆大学, 2018(04)
- [10]用于白酒识别的手持式电子鼻系统设计与应用[D]. 李志华. 天津大学, 2018(04)