| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第13-30页 |
| 1.1 研究背景、选题的科学依据及意义 | 第13-16页 |
| 1.2 多组分气体浓度检测与交叉干扰修正技术研究进展 | 第16-19页 |
| 1.2.1 国外多组分气体浓度检测与交叉干扰修正技术发展 | 第16-17页 |
| 1.2.2 国内多组分气体浓度检测与交叉干扰修正技术发展 | 第17-19页 |
| 1.3 多组分气体浓度检测技术概述 | 第19-27页 |
| 1.3.1 独立成分分析技术 | 第19-20页 |
| 1.3.2 傅里叶变换红外光谱技术 | 第20-21页 |
| 1.3.3 人工神经网络技术 | 第21-24页 |
| 1.3.4 小波分析技术 | 第24-25页 |
| 1.3.5 支持向量机技术 | 第25-27页 |
| 1.4 论文的主要研究内容及结构布局 | 第27-29页 |
| 1.4.1 论文的主要研究内容 | 第27页 |
| 1.4.2 论文的结构布局 | 第27-29页 |
| 1.5 本章小结 | 第29-30页 |
| 2 多组分气体检测系统原理 | 第30-39页 |
| 2.1 不分光红外检测原理 | 第30-31页 |
| 2.2 红外光谱吸收 | 第31-33页 |
| 2.2.1 红外光谱吸收原理 | 第31-32页 |
| 2.2.2 红外光谱吸收的优点 | 第32-33页 |
| 2.3 红外光谱吸收波段的选择 | 第33-34页 |
| 2.4 理论推导和计算 | 第34-37页 |
| 2.5 红外光谱检测法的干扰修正 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 干扰修正——非线性建模分析技术 | 第39-46页 |
| 3.1 气体定量分析校正技术 | 第39页 |
| 3.2 基于核函数的非线性建模 | 第39-41页 |
| 3.2.1 核函数的基本原理 | 第39-40页 |
| 3.2.2 核函数方法的特点 | 第40页 |
| 3.2.3 不同的基于核函数的方法 | 第40-41页 |
| 3.3 异常检测与稳健建模 | 第41-45页 |
| 3.3.1 异常检测 | 第42-44页 |
| 3.3.2 稳健建模 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 支持向量机算法在混合气体定量分析中的应用 | 第46-56页 |
| 4.1 支持向量机参数的优化 | 第46页 |
| 4.2 GS—SVM算法的应用 | 第46-50页 |
| 4.2.1 网格搜索（Grid Search，GS）法的基本思想 | 第46页 |
| 4.2.2 改进的网格搜索法 | 第46-47页 |
| 4.2.3 样本选择及优化 | 第47-49页 |
| 4.2.4 仿真与分析 | 第49-50页 |
| 4.3 PSO—SVM算法的应用 | 第50-55页 |
| 4.3.1 粒子群优化（Particle Swarm Optimization，PSO）的基本思想 | 第50-51页 |
| 4.3.2 样本选择及优化 | 第51-53页 |
| 4.3.3 仿真与分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 人工神经网络算法在气体定量分析中的应用 | 第56-66页 |
| 5.1 基于MATLAB的BP神经网络设计 | 第56-58页 |
| 5.1.1 BP神经网络的创建 | 第56-57页 |
| 5.1.2 BP神经网络的初始化 | 第57页 |
| 5.1.3 BP神经网络的训练 | 第57-58页 |
| 5.1.4 BP神经网络的预测 | 第58页 |
| 5.1.5 BP神经网络的泛化能力 | 第58页 |
| 5.2 遗传算法优化BP神经网络 | 第58-61页 |
| 5.2.1 遗传算法原理 | 第58-59页 |
| 5.2.2 遗传算法的基本操作 | 第59页 |
| 5.2.3 算法流程 | 第59-60页 |
| 5.2.4 算法实现 | 第60-61页 |
| 5.3 样本选择及优化 | 第61-63页 |
| 5.4 仿真与分析 | 第63-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66页 |
| 6.2 未来展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 作者简介 | 第73页 |
