| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 室内空气质量监测现状 | 第8-9页 |
| 1.1.1 室内空气质量研究背景 | 第8-9页 |
| 1.1.2 室内空气质量常用监测方法 | 第9页 |
| 1.2 仿生嗅觉系统-电子鼻 | 第9-11页 |
| 1.2.1 电子鼻技术概述 | 第9-10页 |
| 1.2.2 空气质量监测电子鼻系统的应用 | 第10-11页 |
| 1.3 电子鼻系统检测精度的研究现状 | 第11-14页 |
| 1.3.1 特征值提取技术的研究现状 | 第11-12页 |
| 1.3.2 模式识别的研究现状 | 第12-13页 |
| 1.3.3 传感器漂移的研究现状 | 第13-14页 |
| 1.4 论文研究意义和主要内容 | 第14-16页 |
| 1.4.1 论文研究的意义 | 第14页 |
| 1.4.2 论文研究的主要内容及安排 | 第14-16页 |
| 2 空气质量监测电子鼻系统 | 第16-23页 |
| 2.1 电子鼻系统硬件模块的构成 | 第16-17页 |
| 2.2 系统的传感器阵列的组成 | 第17-18页 |
| 2.3 电子鼻系统算法 | 第18-22页 |
| 2.3.1 信号预处理 | 第18-20页 |
| 2.3.2 回归估计方法 | 第20-21页 |
| 2.3.3 矩阵投影法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于深度置信网络的分类方法 | 第23-37页 |
| 3.1 深度学习 | 第23-24页 |
| 3.1.1 深度学习的概念 | 第23-24页 |
| 3.1.2 深度学习思想 | 第24页 |
| 3.2 深度置信网络 | 第24-26页 |
| 3.2.1 深度置信网络的概念 | 第24-25页 |
| 3.2.2 深度置信网络训练步骤 | 第25-26页 |
| 3.3 受限玻尔兹曼机 | 第26-30页 |
| 3.3.1 受限玻尔兹曼机的基本模型 | 第26-28页 |
| 3.3.2 基于对比散度的RBM的快速学习 | 第28-30页 |
| 3.4 基于反向传播网络的参数调节 | 第30-32页 |
| 3.5 实验数据及分析结果 | 第32-36页 |
| 3.5.1 实验样本 | 第32-33页 |
| 3.5.2 结果分析与比较 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于L_P正则化的传感器漂移补偿 | 第37-57页 |
| 4.1 过拟合问题 | 第37-42页 |
| 4.1.1 从曲线回归分析角度分析 | 第37-39页 |
| 4.1.2 从数值分析角度分析 | 第39-42页 |
| 4.2 正则化方法解决过拟合问题 | 第42-47页 |
| 4.2.1 正则化的理论基础 | 第42页 |
| 4.2.2 正则化数学模型 | 第42-43页 |
| 4.2.3 规则化项Ω(θ)的约束类型 | 第43-47页 |
| 4.3 数据处理结果和分析 | 第47-56页 |
| 4.3.1 存在的问题 | 第47-48页 |
| 4.3.2 提供泛化性的L_P正则化方法 | 第48-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-58页 |
| 5.1 主要研究内容及成果 | 第57页 |
| 5.2 今后工作的展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
| A. 作者在攻读硕士学位期间参加的项目 | 第64页 |
| B. 作者在攻读硕士学位期间获得的成果(论文、专利、获奖) | 第64页 |
| C. 论文中的实验数据及程序清单 | 第64页 |