导读:本文包含了光谱曲线拟合论文开题报告文献综述及选题提纲参考文献，主要关键词:松茸,傅里叶红外光谱,曲线拟合,二维相关红外光谱
光谱曲线拟合论文文献综述
安冉,刘刚,林浩坚,欧全宏,杨卫梅[1]（2018）在《FT-IR光谱结合曲线拟合与2D-IR光谱鉴别松茸》一文中研究指出运用傅里叶变换红外(Fourier Transform Infrared,FT-IR)光谱结合二阶导数红外(Second-order Derivative Infrared,SD-IR)光谱、曲线拟合及二维相关红外(Two-Dimensional Correlation Infrared,2D-IR)光谱来区分松茸和姬松茸。结果显示:松茸和姬松茸的FT-IR光谱的总体特征基本相同;松茸与姬松茸SD-IR光谱在1650～750cm-1范围内吸收峰强度、位置、形状出现差异;曲线拟合结果显示松茸和姬松茸在1186～1000cm-1范围内子峰面积比例不同;2D-IR光谱在1666～1388cm-1和1120～918cm-1范围松茸和姬松茸的自动峰的数目和强度都有差别。实验结果表明,FTIR光谱结合2D-IR光谱、曲线拟合和SD-IR光谱能简单、快速、无损的区分松茸和姬松茸。(本文来源于《光散射学报》期刊2018年04期）
夏祥华[2]（2013）在《曲线拟合和径向基函数神经网络方法定量解析分子荧光光谱及其分析应用研究》一文中研究指出随着现代分析技术的发展,巨量的分析数据的获得变得容易,数据的复杂性越来越强。获得的化学数据中不仅包含丰富的化学信息,而且还混杂有噪声、背景等干扰信息。传统的信息数据处理方法已经不能满足分析的需要。本文以“化学分离”代替“化学或物理分离”用于复杂体系重迭光谱的定量解析,使得多组分的分析变得简单、直接和快速。将曲线拟合和径向基函数神经网络方法用于分子荧光分析,为光谱的应用提供了新思路和新方法。本文第一章绪论部分简要回顾了化学计量学历史和发展,对多元校正和分辨在光谱中的应用进行了综述。第二章就涉及的的相关算法的基本原理加以阐述。第叁章将毛细管电泳与(Genetic Algorithm, GA)优化输入变量下的径向基函数(Radial basic function, RBF)神经网络方法相结合用于定量解析重迭的毛细管电泳图,无需分离即可实现对难分离的苯二酚、苯酚和对硝基苯的同时、准确定量检测。第四章和第五章将修正高斯模型为GA的适应性函数用于拟合荧光光谱图,有效地解决了分子荧光光谱法检测过程中荧光光谱相互干扰的间题。考察了不同尿液中内源性荧光物质对加替沙星(GFLX)荧光的干扰。应用拟合荧光光谱图可有效地消除了内源性荧光物质的干扰。在优化条件下,GFLX的浓度在0.06-3.5μg·mL-1范围内,与其荧光强度之间具有良好的线性,相关系数为0.9994。检出限为0.02μg·mL-1,回收率为99.2%～109.4%,相对标准偏差为1.3%-2.7%。在优化条件下,邻苯二酚、间苯二酚和对苯二酚的浓度分别在0.02-10μg·mL-1、0.01-10μg·mL-1和0.01-10μg·mL-1范围内,与其荧光强度之间具有良好的线性,相关系数分别为0.9920、0.9999和0.9996,其检出限分别为0.005μg·mL-1、0.003μg·mL-1和0.002μg·mL-1。该方法用于水中邻、间、对苯二酚含量的同时测定,其回收率分别为为84.0%-117%,其相对标准偏差(RSD)为0.3%-2.9%。本文提出的拟合同步荧光光谱法无需分离即可实现对尿液中的加替沙星和叁种苯二酚同分异构体同时、准确、灵敏的定量检测,测定结果满意。第六章在相关文献的基础上,通过模拟数据就图的噪声水平和子峰间的分离度与通用回归神经网络(Generalized redrevession neural networks, GRNN)和反向传播(BackPropogation,BP)神经网络建模的影响进行了系统研究。通过计算机模拟含有不同噪声和不同分离度的谱图,平均选取谱图上对应的数据点作为神经网络的输入变量,训练建模。对比神经网络的预测误差,讨论了识别能力与噪声及分离度之间的相关性,为两种神经网络的应用与研究提供一定的参考。研究结果显示,在提供的训练条件下,两种神经网络识别能力随着谱图的噪声水平的增大逐渐降低,以BP神经网络模型的识别能力随谱图中子峰间分离度的增大而提高。第七章以GA优化RBF神经网络的输入变量,用于提高RBF神经网络重迭谱图的定量解析精度。该方法在一定程度上提高了RBF神经网络的预测能力,缓解了神经网络训练过程中的“过拟合”现象,简化了RBF神经网络模型的结构,提高了RBF神经网络的学习能力。本研究实现了对同步荧光光谱重迭谱图的有效定量解析,在理论和实验的结合上为RBF神经网络在光谱的应用提供了依据。第八章将PCA用于优化RBF的输入变量方法用于提高神经网络的识别能力。通过PCA可去除沉余、不相关的数据点,在一定程度上提高神经网络模型的学习能力。应用本方法有效消除了尿液中内源性荧光物质对NOR荧光的干扰,建立了测定尿液中NOR的新方法,在优化条件下,神经网络模型NOR的预测误差为15.32%,网络结构为2：3：1。该方法快捷、方便,可实现尿液中NOR的无干扰测定。第九章将PCA和GA两种数据压缩技术分别用于RBF神经网络输入变量的优化,以提高神经网络模型的识别能力。以这两种方法分别对相同的模拟数据和实验数据进行优化,用优化后的数据训练建模,计算比较了两种方法的神经网络模型的预测误差和神经网络结构。在优化的条件下,对于PCA优化后神经网络,平均预测误差为16.1%(模拟数据)和17.81%(实验数据)；网络结构为：7：14：3(模拟数据)和8：22：3(实验数据)。结果表明,以PCA优化能够改善神经网络结构,以GA优化能够提高神经网络的预测能力。(本文来源于《河北大学》期刊2013-06-01）
夏祥华,孙汉文[3]（2012）在《基于遗传算法的曲线拟合方法用于重迭荧光光谱的定量解析》一文中研究指出将修正高斯模型为遗传算法的适应性函数用于拟合荧光光谱图,有效地解决了分子荧光光谱法多组分检测过程中荧光光谱相互干扰的问题。考察了不同尿液中内源性荧光物质对加替沙星(GFLX)荧光的干扰。应用拟合荧光光谱图可有效地消除内源性荧光物质的干扰。在优化条件下,GFLX的浓度在0.06～3.5μg.mL-1范围内,与其荧光强度之间具有良好的线性,相关系数为0.999 4。检出限为0.02μg.mL-1,回收率为99.2%～109.4%,相对标准偏差为1.3%～2.7%。结果表明,拟合荧光光谱法无需分离即可实现对尿液中GFLX准确的定量检测,适用于常规定量检测和药物代谢研究。(本文来源于《光谱学与光谱分析》期刊2012年08期）
胡耀垓,张晓星,赵正予,冯波[4]（2012）在《光谱重迭峰的曲线拟合解析策略与实现》一文中研究指出针对光谱分析中的重迭峰问题,提出了一种基于曲线拟合的光谱重迭峰解析算法,讨论了曲线拟合的参数调整和表达非唯一性等问题,提出了最小峰-峰间距(MRI)、可分离最小峰-峰间距(MSI)和拟合误差曲线的叁个特征区间等概念;在峰位的确定中,引入由宽逐严的排除策略。含噪模拟光谱重迭峰解析结果表明,所提出的算法是有效的。(本文来源于《重庆大学学报》期刊2012年05期）
黄勃,代彩红,于家琳[5]（2009）在《光谱辐射照度标准灯的数据插值与曲线拟合方法研究》一文中研究指出介绍了多种插值方法与曲线拟合方法,对光谱辐射照度标准灯在所需波长间隔上的照度值进行内插运算,包括这些方法的模型建立、参数计算及误差分析过程。得到了效果较好的插值方法及分段普朗克曲线拟合模型,其中拟合模型较好地体现了光谱辐射照度标准灯的灯丝发射率及灯壳的光谱透射比。最终结果的相对偏差接近国家级计量院提供标准灯的最佳不确定度0.2%。(本文来源于《应用光学》期刊2009年01期）
王柯俨,李云松,吴成柯,宋娟[6]（2009）在《基于自适应分类曲线拟合的干涉多光谱图像压缩》一文中研究指出分析了干涉多光谱图像数据的两个特性,并提出一种基于自适应分类曲线拟合的压缩算法。首先采用均方差准则自适应地将干涉多光谱图像分为强、弱两类干涉区域,并分别构造不同的拟合函数。对强干涉区域,选择典型曲线,并采用最小二乘原理对典型曲线进行拟合,而其余曲线则根据典型曲线进行匹配预测;对弱干涉区域,则分别对所有干涉光强曲线独立进行拟合。最后将所有误差数据进行熵编码。实验结果表明,与JPEG2000相比,该算法能够减少无损压缩输出码率约0.2 bit/pixel,明显提高有损压缩的重建图像质量,降低光谱失真。(本文来源于《光学学报》期刊2009年01期）
黄勃,代彩红,于家琳[7]（2008）在《光谱辐射照度标准灯的数据插值与曲线拟合方法研究》一文中研究指出宽波段紫外辐射照度工作基准的量值直接溯源到国家光谱辐射照度标准灯,它是保存与传递光谱辐射照度量值的重要计量器具,波长覆盖紫外、可见和近红外范围。光谱辐射照度标准灯的每一个波长数据的获得要耗时约3分钟,而为了确保实验期间系统的灵敏度不发生漂移,要求紫外、可见与近红外叁波段的采集实验时间均小于30分钟,因此波长的采样间隔不能太小,通常的取样(本文来源于《第十二届全国光学测试学术讨论会论文（摘要集）》期刊2008-07-20）
李可[8]（2007）在《最小二乘曲线拟合在原子荧光光谱分析中应用》一文中研究指出曲线拟合是目前数据处理的基本方法之一,通过在微机上用Visual Basic语言编制程序,将实验数据使用最小二乘曲线拟合,构造一个最佳通用多项式拟合模型。再利用得到的函数关系实现对原子荧光光谱仪的实验数据进行多次曲线拟合与仿真,以扩大仪器的测量范围。(本文来源于《物探化探计算技术》期刊2007年S1期）
许会芳[9]（2007）在《基于B样条的明视觉光谱光效率特性曲线拟合》一文中研究指出探索了在MATLAB环境下,基于叁次均匀B样条的明视觉光谱光效率特性曲线的拟合方法,解决用一般的曲线拟合方法存在的拟合精度不高或曲线形状畸变的问题。结果表明,采用该方法可以较好地拟合明视觉光谱光效率特性曲线。(本文来源于《盐城工学院学报(自然科学版)》期刊2007年03期）
邓家先,黄艳[10]（2007）在《一种新的基于曲线拟合的干涉光谱图像压缩算法》一文中研究指出干涉光谱图像具有自身的特点,相邻谱线之间的相关性较弱,谱线数据也有自身的特征,主干涉区域数据变化剧烈,而其它区域的数据呈现单调变化的趋势。根据这些特点,该文提出一种数据区域分类方法对光谱数据进行分类处理,将一根谱线的数据分为主干涉区域与非主干涉区域两类,主干涉区域采用数据相似匹配进行描述,而对非主干涉区域采用二次曲线拟合方法进行数据分析,这种数据分析方法有利于提高该类图像编码效率。仿真结果表明,该方法可以降低无损压缩输出码率达0.2-0.4bpp,并且可以提高有损压缩压缩效率。(本文来源于《电子与信息学报》期刊2007年05期）
光谱曲线拟合论文开题报告
（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：
随着现代分析技术的发展,巨量的分析数据的获得变得容易,数据的复杂性越来越强。获得的化学数据中不仅包含丰富的化学信息,而且还混杂有噪声、背景等干扰信息。传统的信息数据处理方法已经不能满足分析的需要。本文以“化学分离”代替“化学或物理分离”用于复杂体系重迭光谱的定量解析,使得多组分的分析变得简单、直接和快速。将曲线拟合和径向基函数神经网络方法用于分子荧光分析,为光谱的应用提供了新思路和新方法。本文第一章绪论部分简要回顾了化学计量学历史和发展,对多元校正和分辨在光谱中的应用进行了综述。第二章就涉及的的相关算法的基本原理加以阐述。第叁章将毛细管电泳与(Genetic Algorithm, GA)优化输入变量下的径向基函数(Radial basic function, RBF)神经网络方法相结合用于定量解析重迭的毛细管电泳图,无需分离即可实现对难分离的苯二酚、苯酚和对硝基苯的同时、准确定量检测。第四章和第五章将修正高斯模型为GA的适应性函数用于拟合荧光光谱图,有效地解决了分子荧光光谱法检测过程中荧光光谱相互干扰的间题。考察了不同尿液中内源性荧光物质对加替沙星(GFLX)荧光的干扰。应用拟合荧光光谱图可有效地消除了内源性荧光物质的干扰。在优化条件下,GFLX的浓度在0.06-3.5μg·mL-1范围内,与其荧光强度之间具有良好的线性,相关系数为0.9994。检出限为0.02μg·mL-1,回收率为99.2%～109.4%,相对标准偏差为1.3%-2.7%。在优化条件下,邻苯二酚、间苯二酚和对苯二酚的浓度分别在0.02-10μg·mL-1、0.01-10μg·mL-1和0.01-10μg·mL-1范围内,与其荧光强度之间具有良好的线性,相关系数分别为0.9920、0.9999和0.9996,其检出限分别为0.005μg·mL-1、0.003μg·mL-1和0.002μg·mL-1。该方法用于水中邻、间、对苯二酚含量的同时测定,其回收率分别为为84.0%-117%,其相对标准偏差(RSD)为0.3%-2.9%。本文提出的拟合同步荧光光谱法无需分离即可实现对尿液中的加替沙星和叁种苯二酚同分异构体同时、准确、灵敏的定量检测,测定结果满意。第六章在相关文献的基础上,通过模拟数据就图的噪声水平和子峰间的分离度与通用回归神经网络(Generalized redrevession neural networks, GRNN)和反向传播(BackPropogation,BP)神经网络建模的影响进行了系统研究。通过计算机模拟含有不同噪声和不同分离度的谱图,平均选取谱图上对应的数据点作为神经网络的输入变量,训练建模。对比神经网络的预测误差,讨论了识别能力与噪声及分离度之间的相关性,为两种神经网络的应用与研究提供一定的参考。研究结果显示,在提供的训练条件下,两种神经网络识别能力随着谱图的噪声水平的增大逐渐降低,以BP神经网络模型的识别能力随谱图中子峰间分离度的增大而提高。第七章以GA优化RBF神经网络的输入变量,用于提高RBF神经网络重迭谱图的定量解析精度。该方法在一定程度上提高了RBF神经网络的预测能力,缓解了神经网络训练过程中的“过拟合”现象,简化了RBF神经网络模型的结构,提高了RBF神经网络的学习能力。本研究实现了对同步荧光光谱重迭谱图的有效定量解析,在理论和实验的结合上为RBF神经网络在光谱的应用提供了依据。第八章将PCA用于优化RBF的输入变量方法用于提高神经网络的识别能力。通过PCA可去除沉余、不相关的数据点,在一定程度上提高神经网络模型的学习能力。应用本方法有效消除了尿液中内源性荧光物质对NOR荧光的干扰,建立了测定尿液中NOR的新方法,在优化条件下,神经网络模型NOR的预测误差为15.32%,网络结构为2：3：1。该方法快捷、方便,可实现尿液中NOR的无干扰测定。第九章将PCA和GA两种数据压缩技术分别用于RBF神经网络输入变量的优化,以提高神经网络模型的识别能力。以这两种方法分别对相同的模拟数据和实验数据进行优化,用优化后的数据训练建模,计算比较了两种方法的神经网络模型的预测误差和神经网络结构。在优化的条件下,对于PCA优化后神经网络,平均预测误差为16.1%(模拟数据)和17.81%(实验数据)；网络结构为：7：14：3(模拟数据)和8：22：3(实验数据)。结果表明,以PCA优化能够改善神经网络结构,以GA优化能够提高神经网络的预测能力。
（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。
光谱曲线拟合论文参考文献
[1].安冉,刘刚,林浩坚,欧全宏,杨卫梅.FT-IR光谱结合曲线拟合与2D-IR光谱鉴别松茸[J].光散射学报.2018
[2].夏祥华.曲线拟合和径向基函数神经网络方法定量解析分子荧光光谱及其分析应用研究[D].河北大学.2013
[3].夏祥华,孙汉文.基于遗传算法的曲线拟合方法用于重迭荧光光谱的定量解析[J].光谱学与光谱分析.2012
[4].胡耀垓,张晓星,赵正予,冯波.光谱重迭峰的曲线拟合解析策略与实现[J].重庆大学学报.2012
[5].黄勃,代彩红,于家琳.光谱辐射照度标准灯的数据插值与曲线拟合方法研究[J].应用光学.2009
[6].王柯俨,李云松,吴成柯,宋娟.基于自适应分类曲线拟合的干涉多光谱图像压缩[J].光学学报.2009
[7].黄勃,代彩红,于家琳.光谱辐射照度标准灯的数据插值与曲线拟合方法研究[C].第十二届全国光学测试学术讨论会论文（摘要集）.2008
[8].李可.最小二乘曲线拟合在原子荧光光谱分析中应用[J].物探化探计算技术.2007
[9].许会芳.基于B样条的明视觉光谱光效率特性曲线拟合[J].盐城工学院学报(自然科学版).2007
[10].邓家先,黄艳.一种新的基于曲线拟合的干涉光谱图像压缩算法[J].电子与信息学报.2007