| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·选题背景 | 第10-12页 |
| ·气体传感器阵列检测技术的重要性 | 第10-11页 |
| ·气体传感器阵列检测技术的实用性 | 第11-12页 |
| ·传感器阵列信号处理和模式识别国内外研究进展及研究现状 | 第12-14页 |
| ·国外研究进展及现状 | 第12-13页 |
| ·国内研究进展及现状 | 第13-14页 |
| ·本论文的研究内容、意义及创新之处 | 第14-16页 |
| ·研究内容及意义 | 第14-15页 |
| ·创新之处 | 第15-16页 |
| 第2章 电子鼻模式识别算法应用情况综述 | 第16-36页 |
| ·多变量统计分类识别方法 | 第16-19页 |
| ·主分量分析（PCA） | 第16-17页 |
| ·独立分量分析法（ICA） | 第17页 |
| ·最小二乘法（PLS） | 第17页 |
| ·Fisher 分类方法 | 第17-18页 |
| ·线性判别函数法（LDA） | 第18页 |
| ·聚类分析法（CA） | 第18-19页 |
| ·K 均值法 | 第19页 |
| ·判别分析法（DA） | 第19页 |
| ·人工神经网络技术分类识别方法 | 第19-30页 |
| ·多层感知器（MLP）神经网络 | 第20页 |
| ·误差回传神经网络（BP） | 第20-22页 |
| ·自组织映射神经网络（SOM） | 第22-23页 |
| ·径向基函数神经网络（RBF） | 第23-24页 |
| ·支持向量机神经网络（SVM） | 第24-25页 |
| ·概率神经网络（PNN） | 第25-26页 |
| ·自适应共振理论神经网络（ART） | 第26页 |
| ·学习向量量化神经网络（LVQ） | 第26-27页 |
| ·广义回归神经网络（GRNN） | 第27页 |
| ·模糊神经网络（FNN） | 第27-28页 |
| ·混沌神经网络（K 系列模型神经网络） | 第28-29页 |
| ·小脑模型关节控制器神经网络（CMACNN） | 第29页 |
| ·时延神经网络（TDNN） | 第29页 |
| ·海明神经网络、对向传播神经网络及双向联想记忆神经网络 | 第29-30页 |
| ·脉冲神经网络（SNN） | 第30页 |
| ·遗传算法GA | 第30-31页 |
| ·混合型模式识别算法 | 第31-34页 |
| ·本章小结 | 第34-36页 |
| 第3章 信号处理方法研究 | 第36-57页 |
| ·传感器阵列信号处理方法 | 第36-42页 |
| ·传感器阵列响应数据的产生 | 第36页 |
| ·数据预处理 | 第36-37页 |
| ·特征提取 | 第37-40页 |
| ·特征选择 | 第40-42页 |
| ·本文提出的改良信号处理方法 | 第42-56页 |
| ·信号改良的思路 | 第42-43页 |
| ·传感器的响应数据 | 第43页 |
| ·传感器响应数据的截断处理 | 第43-47页 |
| ·滤波器逼近算法仿真 | 第47-56页 |
| ·本章小结 | 第56-57页 |
| 第4章 模式识别算法研究 | 第57-86页 |
| ·统计模式识别算法 | 第57-65页 |
| ·主成分分析法（PCA） | 第57-60页 |
| ·独立成分分析法(ICA) | 第60-61页 |
| ·最小二乘法(LS) | 第61-65页 |
| ·神经网络识别算法 | 第65-80页 |
| ·神经网络理论基础 | 第65-68页 |
| ·BP 神经网络模式识别算法 | 第68-73页 |
| ·RBF 神经网络模式识别算法 | 第73-77页 |
| ·自组织特征神经网络模式（SOM）识别算法 | 第77-80页 |
| ·混合模式识别算法 | 第80页 |
| ·本论文研究采用的模式识别算法 | 第80-85页 |
| ·设计思路 | 第80-81页 |
| ·最优特征向量的确定 | 第81-82页 |
| ·模式识别算法步骤 | 第82页 |
| ·模式识别算法的仿真 | 第82-85页 |
| ·本章小结 | 第85-86页 |
| 第5章 总结及展望 | 第86-88页 |
| ·工作总结 | 第86页 |
| ·研究结论 | 第86页 |
| ·展望 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-100页 |
| 附录 | 第100-101页 |
| 详细摘要 | 第101-102页 |