基于堆栈自编码网络的气体传感器漂移补偿方法
| 摘要 | 第2-3页 |
| ABSTRACT | 第3-4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 气体传感器漂移研究现状 | 第8-10页 |
| 1.2.2 气体模式识别研究现状 | 第10-11页 |
| 1.3 主要研究内容与章节安排 | 第11-13页 |
| 1.3.1 本文主要研究内容 | 第11-12页 |
| 1.3.2 本文章节安排 | 第12-13页 |
| 第2章 气体识别相关理论 | 第13-19页 |
| 2.1 数据预处理 | 第13-15页 |
| 2.1.1 异常值处理 | 第13-14页 |
| 2.1.2 标准化处理 | 第14-15页 |
| 2.2 特征提取 | 第15-18页 |
| 2.3 分类算法 | 第18-19页 |
| 2.4 本章小结 | 第19页 |
| 第3章 基于堆栈自编码网络的分类方法 | 第19-46页 |
| 3.1 自编码器原理 | 第20-24页 |
| 3.2 堆栈自编码网络 | 第24-27页 |
| 3.3 实验设计与分析 | 第27-46页 |
| 3.3.1 实验数据分析与预处理 | 第27-31页 |
| 3.3.2 基于支持向量机分类 | 第31-37页 |
| 3.3.3 基于K近邻分类 | 第37-41页 |
| 3.3.4 基于堆栈自编码网络分类 | 第41-46页 |
| 3.4 本章小结 | 第46页 |
| 第4章 基于双重特征提取的漂移补偿方法 | 第46-51页 |
| 4.1 核主成分分析 | 第46-48页 |
| 4.2 基于DAE和KPCA的双重特征提取方法 | 第48-50页 |
| 4.3 实验结果 | 第50-51页 |
| 4.4 本章小结 | 第51页 |
| 第5章 基于分类器融合的优化分类方法 | 第51-62页 |
| 5.1 基分类器选择 | 第52-53页 |
| 5.2 融合方式 | 第53-58页 |
| 5.2.1 投票法 | 第53-55页 |
| 5.2.2 层叠泛化 | 第55-56页 |
| 5.2.3 级联法 | 第56-58页 |
| 5.3 实验设计与结果对比 | 第58-62页 |
| 5.4 本章小结 | 第62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 下一步工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 本文作者硕士期间参加的科研项目及科研成果 | 第67-68页 |
| 致谢 | 第68-69页 |
