| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 论文研究背景和意义 | 第11-12页 |
| 1.2 传感器校正研究现状 | 第12-14页 |
| 1.3 论文内容及结构安排 | 第14-16页 |
| 2 人工神经网络在传感器校正方法中的应用 | 第16-29页 |
| 2.1 人工神经网络 | 第16-20页 |
| 2.1.1 多层前馈型神经网络 | 第17-18页 |
| 2.1.2 网络拓扑及神经元激活函数 | 第18-19页 |
| 2.1.3 神经网络训练方式 | 第19-20页 |
| 2.2 气体传感器 | 第20-23页 |
| 2.2.1 气体传感器类型对比 | 第21-23页 |
| 2.2.2 传感器阵列 | 第23页 |
| 2.3 传感器校正方法研究现状 | 第23-28页 |
| 2.3.1 基于信号分析的传感器校正方法研究 | 第23-25页 |
| 2.3.2 基于RBF神经网络的传感器校正方法研究 | 第25-26页 |
| 2.3.3 基于BP神经网络的传感器校正方法研究 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于BP神经网络的传感器校正方法改进 | 第29-45页 |
| 3.1 BP神经网络 | 第29-35页 |
| 3.1.1 BP神经网络的结构设置 | 第30-31页 |
| 3.1.2 BP算法的原理及数学表达 | 第31-34页 |
| 3.1.3 BP算法的步骤及缺点 | 第34-35页 |
| 3.2 基于初始权重的BP算法优化 | 第35-39页 |
| 3.2.1 粒子群算法特点 | 第36-37页 |
| 3.2.2 粒子群算法基本原理 | 第37-38页 |
| 3.2.3 基于初始权重优化的PSO-BP算法步骤 | 第38-39页 |
| 3.3 基于时间信息利用的BP神经网络模型改进 | 第39-44页 |
| 3.3.1 LSTM神经网络特点及优势 | 第40-42页 |
| 3.3.2 时间信息与空间信息融合的LSTM-BP网络模型 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 仿真结果与分析 | 第45-59页 |
| 4.1 样本数据集介绍 | 第45-47页 |
| 4.1.1 样本数据集分类 | 第45-46页 |
| 4.1.2 数据处理说明 | 第46-47页 |
| 4.2 BP算法与PSO-BP算法的仿真比较 | 第47-52页 |
| 4.2.1 仿真实验步骤 | 第47页 |
| 4.2.2 仿真结果分析 | 第47-52页 |
| 4.3 BP神经网络模型和LSTM-BP网络模型的仿真比较 | 第52-58页 |
| 4.3.1 仿真实验步骤 | 第52-53页 |
| 4.3.2 仿真结果分析 | 第53-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 论文总结 | 第59-60页 |
| 5.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
