本书内容由浅入深，共分为五章：第1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
第1章 绪论
1.1 课题背景与研究意义
1.1.1 NIR光谱技术概述
1.1.2 NIR光谱分析的常见流程
1.1.3 存在的问题与发展趋势
1.2 SDBS概述
1.2.1 SDBS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
2.2 NIR光谱特征峰识别及其参数计算
2.2.1 NIR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
2.3.1 SMA-P
2.3.2 SMA-FS
2.4 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
2.4.7 CARS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
3.3.3 SSC检测仪
3.3.4 支撑试验的软硬件平台
3.4 结果与讨论
3.4.1 SSC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
4.2.4 JSC
4.2.5 JSC在NIR光谱匹配中的应用
4.2.6 SMA-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
4.4.1 S5～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
4.4.5 SMA-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
5.2 NIR-SDBS原型系统分析
5.2.1 NIR-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