基于机器学习的气体识别系统
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 1 绪论 | 第10-15页 |
| ·课题背景及意义 | 第10-12页 |
| ·课题的背景 | 第10-11页 |
| ·课题研究的实际意义 | 第11-12页 |
| ·国内外气体识别仪器的研究进展 | 第12-14页 |
| ·国内外气体识别仪器的研究现状 | 第12-13页 |
| ·气体识别的发展及现状 | 第13页 |
| ·机器学习的发展 | 第13-14页 |
| ·本课题的目标和内容 | 第14-15页 |
| ·本课题目标 | 第14页 |
| ·本文的主要内容 | 第14-15页 |
| 2 贝叶斯分类器的几种模型 | 第15-26页 |
| ·机器学习概念和发展 | 第15-16页 |
| ·机器学习国内外背景 | 第15-16页 |
| ·贝叶斯理论的发展 | 第16页 |
| ·简单贝叶斯模型 | 第16-21页 |
| ·贝叶斯定理 | 第17页 |
| ·简单贝叶斯模型及求解步骤 | 第17-18页 |
| ·参数的选取 | 第18页 |
| ·几种常见分布的选取 | 第18-20页 |
| ·贝叶斯学习能力的证明 | 第20-21页 |
| ·贝叶斯网络模型 | 第21-25页 |
| ·贝叶斯网的概念 | 第21-23页 |
| ·贝叶斯网的构造 | 第23-24页 |
| ·贝叶斯网的几种模型 | 第24-25页 |
| ·贝叶斯网络的学习能力 | 第25页 |
| ·本章小结 | 第25-26页 |
| 3 本系统改进的贝叶斯算法 | 第26-36页 |
| ·几种EM 算法的介绍 | 第26-31页 |
| ·贝叶斯网络参数学习研究背景与现状 | 第26页 |
| ·顺行EM 算法 | 第26-28页 |
| ·并行EM 算法 | 第28-30页 |
| ·基于EM 算法的气体识别模型 | 第30-31页 |
| ·本系统的贝叶斯网络模型 | 第31-35页 |
| ·本系统改进的EM 算法模型 | 第31-32页 |
| ·本系统中模型的原理 | 第32-34页 |
| ·对本系统算法改进 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 4 气体识别系统的总体设计 | 第36-44页 |
| ·气体传感器概况 | 第36-41页 |
| ·传感器的分类及特点 | 第36-37页 |
| ·半导体传感器工作原理及工作电路 | 第37-40页 |
| ·本系统传感器阵列模型 | 第40-41页 |
| ·系统总体设计 | 第41-43页 |
| ·气体识别系统工作原理 | 第41-42页 |
| ·系统结构 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 识别系统的软硬件介绍 | 第44-58页 |
| ·DSP 的特点及内部电路 | 第44-48页 |
| ·TMS320LF2407 的特点 | 第44-45页 |
| ·存储扩展电路 | 第45-46页 |
| ·A/D 转换电路 | 第46-47页 |
| ·时钟电路 | 第47-48页 |
| ·外围电路模块 | 第48-50页 |
| ·系统电源电路 | 第48页 |
| ·信号调理电路 | 第48-49页 |
| ·通讯接口电路 | 第49-50页 |
| ·液晶显示模块 | 第50页 |
| ·软件模块的设计 | 第50-57页 |
| ·软件开发环境的介绍 | 第51页 |
| ·系统主程序模块 | 第51-52页 |
| ·初始化程序模块 | 第52-54页 |
| ·串口通讯模块 | 第54-56页 |
| ·数字滤波模块 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 6 系统实验结果分析 | 第58-61页 |
| ·系统调试分析 | 第58页 |
| ·实验结果及分析 | 第58-60页 |
| ·系统的性能评价 | 第60页 |
| ·本章小结 | 第60-61页 |
| 7 结论 | 第61-62页 |
| ·结论 | 第61页 |
| ·展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66-67页 |
