光谱技术在农作物\农产品信息无损检测中的应用

　　《光谱技术在农作物\\农产品信息无损检测中的应用》系统地介绍了光谱技术及其预处理算法、特征选取方法，并在此基础上，分析了国内外的新研究进展，重点展示了光谱等技术在农业上的应用情况。本专是多个国家自然科学基金项目、省自然科学基金项目、农业部重点实验室开放课题研究成果的展现，实现了理论与应用的结合。本专著共包含14章，其中第1章概述介绍了光谱技术在农作物\\农产品信息检测中应用的现状；第2章至第5章介绍了光谱预处理算法、光谱特征选取方法及定性、定量分析方法；第6章至第14章分别介绍了光谱技术在水稻、生菜、桑叶、大米、鸡蛋、红豆、烟草、玉米、油麦菜等农作物\\农产品对象信息检测中的应用实例。

暂缺《光谱技术在农作物\农产品信息无损检测中的应用》作者简介

1 概述
1．1 农作物／农产品信息的光谱技术检测
1．1．1 光谱技术在农作物检测中的应用
1．1．2 光谱技术在农作物农药残留检测中的应用
1．2 农作物／农产品信息的电特性技术检测
1．2．1 介电特性技术在水果品质检测中的应用
1．2．2 介电特性技术在粮食含水率检测中的应用
1．2．3 介电特性在叶片含水率检测中的应用
参考文献
2 光谱预处理算法
2．1 savitzky-Golay多项式平滑
2．2 移动平均平滑
2．3 多元散射校正算法
2．4 标准正态变量变换和去趋势算法
2．5 导数变换算法
2．6 正交信号校正算法
2．7 小波阈值
2．8 小波分段
参考文献
3 光谱特征选取方法
3．1 逐步回归分析
3．2 连续投影算法
3．3 权重回归系数法
3．4 主成分分析
3．5 竞争性自适应加权算法
3．6 LDA算法
3．7 LPP算法
3．8 SLPP算法
3．9 离散小波变换
3．10 分段离散小波变换
参考文献
4 定性分析方法
4．1 支持向量机
4．2 K最近邻分类器
4．3 Adaboost-SVM及Adaboost-KNN
4．4 MSCPSO-SVM
4．5 极限学习机
4．6 Fisher判别分析
4．7 马氏距离判别分析
参考文献
5 定量分析方法
5．1 一元回归算法
5．2 多元线性回归
5．3 BP神经网络及改进算法
5．3．1 BP神经网络
5．3．2 基于贝叶斯算法的BP网络
5．3．3 基于L-M算法的BP网络
5．3．4 遗传神经网络
5．3．5 基于思维进化优化BP神经网络
5．3．6 PNN神经网络
5．3．7 GA—PNN神经网络
5．4 支持向量机回归算法及其改进
5．4．1 支持向量机回归算法
5．4．2 GA-LS-SVM算法
5．5 ABC-SVR
参考文献
6 水稻信息检测
6．1 样本培育
6．1．1 栽培方法
6．1．2 水稻光谱数据测定
6．1．3 水稻叶片水分含量与氮素含量的测定