基于深度学习的电子鼻白酒识别方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 电子鼻数据处理分析 | 第10-11页 |
| 1.1.2 深度学习 | 第11-12页 |
| 1.1.3 课题意义 | 第12页 |
| 1.2 电子鼻技术原理和发展现状 | 第12-16页 |
| 1.2.1 生物嗅觉系统及其信号传导过程 | 第12-13页 |
| 1.2.2 电子鼻工作原理 | 第13-15页 |
| 1.2.3 国内外电子鼻技术的发展现状 | 第15-16页 |
| 1.3 电子鼻数据处理分析的研究现状 | 第16-17页 |
| 1.4 本文研究目的和主要内容 | 第17-20页 |
| 第2章 电子鼻平台与传统数据处理方法 | 第20-38页 |
| 2.1 电子鼻平台介绍 | 第21-25页 |
| 2.1.1 气体传感器阵列 | 第21-23页 |
| 2.1.2 气室和采样气路系统 | 第23-24页 |
| 2.1.3 电路系统 | 第24-25页 |
| 2.2 实验材料及方案 | 第25-28页 |
| 2.2.1 实验材料 | 第25-26页 |
| 2.2.2 实验条件和方案 | 第26-27页 |
| 2.2.3 实验数据的获取 | 第27-28页 |
| 2.3 传统数据处理方法 | 第28-33页 |
| 2.3.1 信息预处理 | 第28-30页 |
| 2.3.2 特征生成和特征降维 | 第30-32页 |
| 2.3.3 模式识别方法 | 第32-33页 |
| 2.4 传统电子鼻数据处理方法流程 | 第33-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 电子鼻数据的深度学习处理方法 | 第38-48页 |
| 3.1 深度学习概述 | 第38-39页 |
| 3.1.1 深度学习基本原理和思想 | 第38-39页 |
| 3.1.2 深度学习常用模型 | 第39页 |
| 3.2 堆栈稀疏自动编码器 | 第39-43页 |
| 3.2.1 稀疏自动编码器 | 第40-42页 |
| 3.2.2 堆叠稀疏自动编码器的构成 | 第42-43页 |
| 3.3 深度学习网络 | 第43-45页 |
| 3.3.1 基于SSAE的预训练 | 第43-44页 |
| 3.3.2 基于BPNN的微调和分类 | 第44-45页 |
| 3.4 基于深度学习数据处理方法流程 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 白酒识别分类实验结果分析 | 第48-62页 |
| 4.1 实验条件 | 第48-51页 |
| 4.1.1 分类评估指标 | 第48页 |
| 4.1.2 交叉验证 | 第48-49页 |
| 4.1.3 实验数据 | 第49-51页 |
| 4.2 SSAE-BPNN的网络结构和参数设置 | 第51-56页 |
| 4.2.1 网络层数的影响 | 第51-52页 |
| 4.2.2 隐含层节点数的影响 | 第52-53页 |
| 4.2.3 超参数的影响 | 第53-55页 |
| 4.2.4 预训练和微调迭代次数的影响 | 第55-56页 |
| 4.3 不同方法的识别结果 | 第56-60页 |
| 4.3.1 SSAE-BPNN与SAE-BPNN | 第56-57页 |
| 4.3.2 SSAE-BPNN与SSAE-SVM | 第57-59页 |
| 4.3.3 深度学习方法与传统方法 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-72页 |
| 附录：部分章节主要符号解释 | 第72-74页 |
| 发表论文和参加科研情况说明 | 第74-76页 |
| 致谢 | 第76页 |
