文献阅读综述报告

文献阅读综述报告

摘要：研究生阶段是一个理论学习与实践应用相结合的阶段。所谓厚积而薄发，只有拥有坚实的理论基础，才能在实践中游刃有余。因此研究生期间不但要注重实践经验，更要抓紧理论知识的学习。本报告就是本人在研究生的学习生涯中，利用做课题的业余时间阅读的大量与本专业有关的文献的一个综述性报告。本报告系统地整理了研究生期间阅读的专业文献的一些收获。

通过近两年的文献阅读整理，着重阅读了单片机、ARM处理器、嵌入式操作系统以及近红外光谱技术和MATLAB神经网络的一些文章。对于近红外光谱技术的研究知识从无到有，着重学习了近红外这种测控仪器的一些常见算法、分析处理的手段、仪器的整体构架，以及如何将仪器做到便携式。单片机以前有一些基础，为了更好的设计单片机开发项目，系统全面学习了单片机的串行通讯，中断等知识。对于嵌入式开发，首先学习了嵌入式操作系统LINUX，然后学习了ARM处理器，初步掌握了开发嵌入式系统的基础知识构架，重点学习了QT 界面开发。系统的了解了近红外光谱技术的发展和应用。对于MATLAB，主要学习掌握了应用MATLAB进行数据处理、训练神经网络。

关键字：嵌入式操作系统、MATLAB、神经网络

正文：嵌入式操作系统：一个典型的嵌入式操作系统应该由硬件平台、板级支持包、操作系统和应用程序组成[1]。硬件平台主要是嵌入式处理器及其控制所需要的相关外设。实验室所用的是ARM9加USB、键盘等外设[2]，ARM9微处理单元是单片机的一种，内部资源更多，可内嵌的内存更大，可以实时运行操作系统。板级支持包就是连接操作系统和硬件平台的桥梁。板级支持包对各种板子的硬件功能提供了统一的软件接口。它包括硬件初始化、中断的产生和处理、硬件时钟

和计时器管理、局域和总线内存地址映射、内存分配等。它属于操作系统的一部分，在开放源码的操作系统（linux）中，板级支持包和操作系统之间的层次并不容易划清楚。移植一个操作系统就是编写板级支持包的过程。MMU可以从硬件上把应用程序和操作系统分离开，linux就是这种分离结构[3]，操作系统内核和上层的应用程序可以分开编译和管理，通过MMU也可以在硬件层次上实现动态链接，共享内存或共享程序的代码空间。应用软件的设计采用QT/Embedded，QT/Embedded以原始的QT为基础，并作出许多调整以适应嵌入式环境，通过QtAPI与LinuxI/O设施直接交互，成为嵌入式Linux端口[5]。

近红外光谱技术：近红外光谱属于分子振动光谱的倍频和主频吸收光谱，主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，具有较强的穿透能力。近红外光主要是对含氢基团X-H（X=C、N、O）振动的倍频和合频吸收，其中包含了大多数类型有机化合物的组成和分子结构的信息[7,8]。由于不同的有机物含有不同的基团，不同的基团有不同的能级，不同的基团和同一基团在不同物理化学环境中对近红外光的吸收波长都有明显差别，且吸收系数小，发热少，因此近红外光谱可作为获取信息的一种有效的载体。近红外光照射时，频率相同的光线和基团将发生共振现象，光的能量通过分子偶极矩的变化传递给分子；而近红外光的频率和样品的振动频率不相同，该频率的红外光就不会被吸收。因此，选用连续改变频率的近红外光照射某样品时，由于试样对不同频率近红外光的选择性吸收，通过试样后的近红外光线在某些波长范围内会变弱，透射出来的红外光线就携带有机物组分和结构的信息。通过检测器分析透射或反射光线的光强度，就可以确定该组分的含量。

现代近红外光谱是一种间接分析技术, 是通过校正模型的建立实现对未

知样本的定性或定量分析[12,13]。一是选择有代表性的校正集样本并测量其近红外光谱; 二是采用标准或认可的参考方法测定所关心的组成或性质数据;三是根据测量的光谱和基础数据通过合理的化学计量学方法建立校正模型, 在光谱与基础数据关联前, 为减轻以至于消除各种因素对光谱的干扰, 需要采用合适的方法对光谱进行预处理; 四是未知样本组成性质的测定, 在对未知样本测定时,根据测定的光谱和校正模型适用性判据, 要确定建立的校正模型是否适合对未知样本进行测定, 如适合, 则测定的结果符合模型允许的误差要求[14，16], 否则只能提供参考性数据。

其工作原理是，如果样品的组成相同，则其光谱也相同，反之亦然。如果我们建立了光谱与待测参数之间的对应关系（称为分析模型），那么，只要测得样品的光谱，通过光谱和上述对应关系，就很快得到所需要的质量参数数据[7]。

神经网络与MATLAB编程：国外的分析方法发展较早，二十世纪五十年代，Karl Norris作为近红外光谱分析技术的奠基人，首先提出了多元线性回归（MLR）算法在物质成份近红外光谱定标模型建立和光谱信息提取解析方面所体现出的优势。到了八十年代，多元统计变量方法得到了发展并被引入到近红外光谱解析及定标技术中来。Ian Cowe和Jim McNicol首先将主成份回归分析方法用于近红外光谱的数据降维压缩处理以实现定标模型稳定，通过对回归主因子的优选达到了排除非测量因素（如颗粒度尺寸及分布）和非线性因素影响的目的. Kawalski 和他的研究生们则首先将偏最小二乘回归技术应用于光谱学技术中来，但直到最近几年该技术才在近红外分析技术中得到应用和推广。H.Mark 等对多元统计变量方法进行了较为详细地论述。

国内在近几年也将神经网络应用到近红外分析中来[18]。张卓勇[19]等论述了

人工神经网络在光谱分析重叠信号解析中的应用，将基于计算最大差异光谱的目标转换因子分析法，用于解析混合物的近红外光谱和从混合物的红外光谱中解析出纯组分光谱。王志有、于红梅等采用BP人工神经网络-光度法同时测定VB1、VB2、VB6和VPP，取得了满意的效果[20]。

MATLAB7对应的神经网络工具箱的版本号为Version4.0.3，它以神经网络理论为基础，利用MATLAB脚本语言构造出典型的神经网络激活函数，如线性、竞争性和饱和线性等激活函数，使设计者对所选定网络输出的计算，变成对激活函数的调用。另外，根据各种典型的修正网络权值的规则，再加上网络的训练过程，利用MATLAB编写出各种网络设计和训练的子程序，网络设计人员可以根据自己的需要去调用工具箱中有关的设计和训练程序，可以从繁琐的编程中解脱出来，从而集中精力解决其他问题，提高了工作效率[22]。

神经网络工具箱几乎涵盖了所有的神经网络的基本常用模型，如感知器和BP网络[23，24]等。对于各种不同的模型，神经网络工具箱集成了多种学习算法，另外还有大量的示例程序和帮助文档，可以迅速掌握工具箱的使用，只需简单程序即可完成数据处理。

总结：通过以上的系统阅读，首先增加了自己的理论基础，其次借鉴别人开发成功的项目，从中学习一些实际的项目开发流程和方法，使我开发近红外实验室的项目有了较好的基础，自己的理论水平和实践动手的能力都有了很大的提高。这些知识的积累和经验的获得都对后来的研究工作提供了很大的帮助，切实体现了“学以致用”的治学精神。人生是一个不断学习、积累知识的过程，在以后的工作和学习中，还要继续保持这种阅读习惯，丰富自己的知识。

参考文献：