| 摘要 | 第1-6页 |
| ABSTRACT | 第6-15页 |
| 第一章 绪论 | 第15-23页 |
| ·引言 | 第15页 |
| ·电子鼻技术及其特征提取和模式识别方法的研究现状 | 第15-21页 |
| ·电子鼻技术的发展及研究现状 | 第16-18页 |
| ·特征提取技术的研究现状 | 第18-19页 |
| ·模式识别技术的研究现状 | 第19-21页 |
| ·课题的研究意义和主要研究内容 | 第21-23页 |
| ·课题的研究意义 | 第21页 |
| ·课题的主要研究内容 | 第21-23页 |
| 第二章 电子鼻系统中特征提取方法的研究 | 第23-35页 |
| ·引言 | 第23页 |
| ·主成分分析法 | 第23-26页 |
| ·主成分分析的原理 | 第23-25页 |
| ·主成分分析的实现步骤 | 第25-26页 |
| ·核主成分分析法(核PCA) | 第26-30页 |
| ·核函数 | 第27页 |
| ·核PCA原理 | 第27-30页 |
| ·电子鼻数据特征提取实验及讨论 | 第30-33页 |
| ·本章小结 | 第33-35页 |
| 第三章 电子鼻系统中模式识别方法的研究 | 第35-45页 |
| ·引言 | 第35页 |
| ·统计学习理论 | 第35-39页 |
| ·经验风险最小化原则 | 第35-36页 |
| ·统计学习理论 | 第36-39页 |
| ·支持向量机(SVM) | 第39-44页 |
| ·支持向量分类机 | 第41-42页 |
| ·支持向量回归机 | 第42-43页 |
| ·核函数 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 SVM在气体定性和定量分析的应用 | 第45-61页 |
| ·SVM用于气体定性识别 | 第45-51页 |
| ·多类支持向量机(Multi-SVM) | 第46-48页 |
| ·实验数据及预处理 | 第48-49页 |
| ·实验验证及结果分析 | 第49-51页 |
| ·SVM用于气体定量分析 | 第51-55页 |
| ·实验数据及预处理 | 第51页 |
| ·实验及结果分析 | 第51-55页 |
| ·基于粒子群参数优化的SVM算法气体定量分析 | 第55-60页 |
| ·粒子群优化算法 | 第55-56页 |
| ·群能量守恒粒子群优化算法 | 第56-58页 |
| ·基于SEC-PSO参数优化的SVM算法 | 第58-60页 |
| ·实验结果及分析 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第五章 KPCA和SVM结合算法在电子鼻模式分类中的应用 | 第61-65页 |
| ·核PCA支持向量机算法 | 第61-62页 |
| ·实验验证及分析 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 第六章 结论与展望 | 第65-67页 |
| ·结论 | 第65页 |
| ·展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 附录 | 第69-75页 |
| 致谢 | 第75-77页 |
| 研究成果及发表的学术论文 | 第77-79页 |
| 导师和作者简介 | 第79-81页 |
| 硕士研究生学位论文答辩委员会决议书 | 第81-82页 |