人工嗅觉信息处理理论及应用研究
| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 第1章绪论 | 第6-10页 |
| 1．1 本研究课题的学术背景及理论 | 第6-7页 |
| 1．2 国内外文献综述 | 第7-8页 |
| 1．3 课题研究的来源、目的、意义及主要内容 | 第8-10页 |
| 第2章 人工嗅觉系统 | 第10-15页 |
| 2．1 人工嗅觉概述 | 第10-11页 |
| 2．2 人工嗅觉系统的原理及基本组成部分 | 第11-12页 |
| 2．3 人工嗅觉系统的研究现状 | 第12-15页 |
| 第3章 人工嗅觉系统中常用的模式分类方法 | 第15-30页 |
| 3．1 模式识别的基本原理 | 第15-17页 |
| 3．1．1 信息获取 | 第16页 |
| 3．1．2 预处理 | 第16页 |
| 3．1．3 特征提取和选择 | 第16-17页 |
| 3．1．4 分类过程 | 第17页 |
| 3．2 常见模式分类决策方法 | 第17-28页 |
| 3．2．1 多元统计方法 | 第17-21页 |
| 3．2．2 神经网络方法 | 第21-25页 |
| 3．2．3 遗传算法 | 第25-27页 |
| 3．2．4 模糊识别 | 第27-28页 |
| 3．3 各种方法的比较 | 第28-30页 |
| 第4章 自组织神经网络在人工嗅觉系统中的应用 | 第30-38页 |
| 4．1 自组织映射神经网络 | 第30-32页 |
| 4．1．1 自组织映射神经网络的结构 | 第30-31页 |
| 4．1．2 自组织映射神经网络的运行机理 | 第31页 |
| 4．1．3 自组织映射神经网络的学习算法 | 第31-32页 |
| 4．2 应用自组织神经网络进行气体识别 | 第32-38页 |
| 4．2．1 系统构成及原理 | 第32-34页 |
| 4．2．2 试验数据的获取 | 第34页 |
| 4．2．3 数据预处理 | 第34页 |
| 4．2．4 模式分类 | 第34-36页 |
| 4．2．5 试验结果 | 第36-38页 |
| 第5章 盲源分离及其在人工嗅觉信息处理中的应用 | 第38-49页 |
| 5．1 盲源分离概述 | 第38页 |
| 5．2 盲源分离的发展历史及其研究现状 | 第38-40页 |
| 5．3 盲源分离的数学模型 | 第40-41页 |
| 5．4 盲源分离在人工嗅觉信息处理中应用 | 第41-43页 |
| 5．4．1 盲源分离和人工嗅觉模型的比较 | 第41页 |
| 5．4．2 盲源分离在人工嗅觉系统中的应用 | 第41-43页 |
| 5．5 一种快速独立分量分析算法 | 第43-49页 |
| 5．5．1 负熵判决准则 | 第44-45页 |
| 5．5．2 FastICA算法 | 第45-46页 |
| 5．5．3 计算机仿真实验及结果 | 第46-47页 |
| 5．5．4 盲源分离研究中需要解决的问题 | 第47-49页 |
| 第6章 结束语 | 第49-52页 |
| 6．1 结论及下一步的研究工作 | 第49-50页 |
| 6．1．1 结论 | 第49页 |
| 6．1．2 下一步的研究工作 | 第49-50页 |
| 6．2 人工嗅觉系统的市场应用展望 | 第50-52页 |
| 6．2．1 工业生产中的质量控制 | 第50页 |
| 6．2．2 酒类成分的判断 | 第50-51页 |
| 6．2．3 香烟品质鉴定 | 第51-52页 |
| 参考文献： | 第52-57页 |
| 致谢 | 第57页 |
