| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 电子鼻技术概述 | 第8-9页 |
| 1.2 医用电子鼻的研究意义和国内外研究现状 | 第9-12页 |
| 1.2.1 电子鼻在医学诊断中的研究进展 | 第9-10页 |
| 1.2.2 国际上现有的商业电子鼻 | 第10-11页 |
| 1.2.3 论文的研究意义 | 第11-12页 |
| 1.3 论文的结构和安排 | 第12-14页 |
| 2 医用电子鼻系统原理介绍 | 第14-32页 |
| 2.1 电子鼻系统原理 | 第14-15页 |
| 2.2 医用电子鼻气路系统 | 第15-19页 |
| 2.2.1 气路系统框图 | 第16-17页 |
| 2.2.2 传感器气室 | 第17-18页 |
| 2.2.3 气路工作流程 | 第18-19页 |
| 2.3 传感器阵列设计 | 第19-27页 |
| 2.3.1 常用气敏传感器种类 | 第19-23页 |
| 2.3.2 传感器选型 | 第23-26页 |
| 2.3.3 传感器信号采集 | 第26-27页 |
| 2.4 实验设计 | 第27-29页 |
| 2.5 本章小结 | 第29-32页 |
| 3 电子鼻信号常用处理方法及算法 | 第32-56页 |
| 3.1 电子鼻信号的预处理 | 第32-33页 |
| 3.2 传感器信号的特征提取 | 第33-36页 |
| 3.2.1 传感器特征提取的常用方法 | 第34页 |
| 3.2.2 常用的基线处理方法 | 第34-35页 |
| 3.2.3 数据的标准化处理 | 第35-36页 |
| 3.3 电子鼻信号特征选择 | 第36-41页 |
| 3.3.1 主成分分析理论 | 第36-38页 |
| 3.3.2 核方法原理 | 第38-40页 |
| 3.3.3 基于核方法的主成分分析 | 第40-41页 |
| 3.4 基于有监督方法的数据降维算法 | 第41-46页 |
| 3.4.1 引言 | 第41-42页 |
| 3.4.2 LDA算法原理 | 第42-44页 |
| 3.4.3 基于核函数的判别分析 | 第44-46页 |
| 3.5 模式识别与参数优化算法 | 第46-53页 |
| 3.5.1 引言 | 第46页 |
| 3.5.2 支持向量机理论 | 第46-49页 |
| 3.5.3 随机森林方法 | 第49-50页 |
| 3.5.4 量子粒子群优化算法 | 第50-53页 |
| 3.6 本章小结 | 第53-56页 |
| 4 面向伤口感染电子鼻的算法模型构建 | 第56-62页 |
| 4.1 结合验证集与优化算法的模型构建 | 第56-59页 |
| 4.1.1 QPSO优化SVM参数的算法设计 | 第56-57页 |
| 4.1.2 QPSO优化KPCA/PCA与SVM参数的算法设计 | 第57-58页 |
| 4.1.3 QPSO优化KPCA/PCA、LDA/KDA与SVM参数的算法设计 | 第58-59页 |
| 4.2 随机森林算法模型构建 | 第59-60页 |
| 4.3 本章小结 | 第60-62页 |
| 5 实验结果与算法性能分析 | 第62-72页 |
| 5.1 数据集构成 | 第62-63页 |
| 5.2 二分类问题性能分析 | 第63-65页 |
| 5.2.1 QPSO优化SVM参数的二分类模型性能 | 第63-64页 |
| 5.2.2 随机森林的二分类模型性能 | 第64-65页 |
| 5.3 细菌感染类型的多分类模型构建 | 第65-69页 |
| 5.3.1 QPSO--PCA/KPCA---SVM的多分类模型 | 第66-67页 |
| 5.3.2 QPSO--PCA/KPCA--LDA/KDA--SVM的多分类模型 | 第67-68页 |
| 5.3.3 随机森林的多分类模型 | 第68-69页 |
| 5.4 本章小结 | 第69-72页 |
| 6 总结与展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-79页 |
