| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题研究的背景及意义 | 第10-12页 |
| 1.2 国内外研究的现状 | 第12-17页 |
| 1.2.1 传统的石墨烯生物化学传感器 | 第12-14页 |
| 1.2.2 基于模式识别算法的生物化学传感器 | 第14-17页 |
| 1.3 研究的目标与内容 | 第17-18页 |
| 1.4 本文研究的主要工作及章节安排 | 第18-20页 |
| 第2章 传感器的制备及数据测量 | 第20-28页 |
| 2.1 材料与设备 | 第20页 |
| 2.1.1 材料 | 第20页 |
| 2.1.2 设备 | 第20页 |
| 2.2 传感器的制备 | 第20-21页 |
| 2.3 传感器的时域电阻动力学曲线的测量 | 第21页 |
| 2.4 时域电阻动力学曲线的特征提取 | 第21-22页 |
| 2.5 数据特征的归一化 | 第22-23页 |
| 2.6 石墨烯的表征 | 第23-24页 |
| 2.7 实验数据 | 第24-26页 |
| 2.7.1 时域动力学曲线 | 第24-25页 |
| 2.7.2 提取特征在其对应特征三维标下的位置 | 第25-26页 |
| 2.8 本章小结 | 第26-28页 |
| 第3章 支持向量机(SUPPORT VECTOR MACHINE,SVM)在无修饰泡沫石墨烯化学传感器系统中的应用 | 第28-34页 |
| 3.1 支持向量机的概述 | 第28页 |
| 3.2 支持向量机的核函数 | 第28-29页 |
| 3.3 支持向量机的分类 | 第29-30页 |
| 3.4 支持向量机在泡沫石墨烯化学传感器中的应用 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 主要成分分析法和BP神经网络在无修饰泡沫石墨烯化学传感器系统中的应用 | 第34-42页 |
| 4.1 主要成分分析法(Principal Component Analysis,PCA) | 第34页 |
| 4.2 反向传播神经网络(Back Propagation Neural Network,BPNN) | 第34-37页 |
| 4.2.1 反向传播(BP)神经网络的概述 | 第34-35页 |
| 4.2.2 反向传播(BP)神经网络的网络拓扑结构 | 第35页 |
| 4.2.3 反向传播(BP)神经网络的训练 | 第35-37页 |
| 4.3 反向传播神经网络的模型构建 | 第37-38页 |
| 4.4 主要成分分析法和反向传播神经网络在泡沫石墨烯化学传感器中的应用 | 第38-41页 |
| 4.4.1 数据处理流程 | 第38-39页 |
| 4.4.2 数据处理结果 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 本文的创新点和拟进一步开展工作 | 第42-44页 |
| 5.1 本文的创新点 | 第42页 |
| 5.2 拟进一步的开展工作 | 第42-44页 |
| 参考文献 | 第44-52页 |
| 攻读硕士学位期间发表的论文及成果 | 第52-54页 |
| 致谢 | 第54页 |
