| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 电子鼻系统的研究背景 | 第11-15页 |
| 1.1.1 电子鼻系统的仿生机制 | 第11-12页 |
| 1.1.2 电子鼻系统的关键技术 | 第12-15页 |
| 1.2 电子鼻系统的发展现状 | 第15-17页 |
| 1.2.1 电子鼻系统的应用现状 | 第15-17页 |
| 1.2.2 电子鼻系统的发展方向 | 第17页 |
| 1.3 集成学习的研究现状 | 第17-18页 |
| 1.4 嗅觉仿生模型的研究现状 | 第18-19页 |
| 1.5 本文研究内容与结构 | 第19-23页 |
| 第二章 电子鼻系统设计与数据预处理 | 第23-37页 |
| 2.1 引言 | 第23页 |
| 2.2 电子鼻系统设计 | 第23-27页 |
| 2.2.1 基于金属氧化物气相传感器阵列的硬件系统 | 第24-26页 |
| 2.2.2 电子鼻系统的软件平台 | 第26-27页 |
| 2.3 实验设计和数据采集 | 第27-31页 |
| 2.3.1 样本制作 | 第27-29页 |
| 2.3.2 实验流程 | 第29-30页 |
| 2.3.3 实验数据采集 | 第30-31页 |
| 2.4 数据预处理和特征提取 | 第31-36页 |
| 2.4.1 电子鼻数据预处理 | 第31-33页 |
| 2.4.2 电子鼻数据特征提取 | 第33-34页 |
| 2.4.3 特征数据的可视化 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于电子鼻的多分类器集成优化研究 | 第37-57页 |
| 3.1 引言 | 第37页 |
| 3.2 多分类器集成模型设计 | 第37-43页 |
| 3.2.1 基分类器 | 第37-39页 |
| 3.2.2 集成模型的融合规则 | 第39-40页 |
| 3.2.3 基于AdaboostM2的多分类器集成设计 | 第40-43页 |
| 3.3 多分类器集成模型的差异性度量 | 第43-44页 |
| 3.3.1 差异性度量指标 | 第43-44页 |
| 3.4 集成模型对人参的识别与优化 | 第44-50页 |
| 3.4.1 多分类器集成的差异性度量分析 | 第44-46页 |
| 3.4.2 集成模型的分类器组合优化 | 第46-49页 |
| 3.4.3 集成模型的迭代次数优化 | 第49页 |
| 3.4.4 融合规则的误差敏感度分析 | 第49-50页 |
| 3.5 集成模型对石斛的识别与优化 | 第50-55页 |
| 3.5.1 多分类器集成的差异性度量分析 | 第50-52页 |
| 3.5.2 石斛识别中的分类器组合优化 | 第52-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于电子鼻的K系列嗅觉网络研究 | 第57-79页 |
| 4.1 引言 | 第57-63页 |
| 4.1.1 嗅觉模型的生理结构 | 第57-59页 |
| 4.1.2 KⅢ网络模型的拓扑结构 | 第59-63页 |
| 4.2 K系列嗅觉神经网络模型 | 第63-68页 |
| 4.2.1 KⅢ网络模型参数配置 | 第64页 |
| 4.2.2 KⅢ网络的功能仿真 | 第64-68页 |
| 4.3 基于K系列模型的模式识别 | 第68-72页 |
| 4.3.1 KⅢ网络的学习训练过程 | 第69-71页 |
| 4.3.2 基于KⅢ网络学习的工作流 | 第71-72页 |
| 4.4 基于KⅢ网络的工作流应用 | 第72-76页 |
| 4.4.1 基于KⅢ网络的工作流对人参的识别 | 第72-74页 |
| 4.4.2 基于KⅢ网络的工作流对石斛的识别 | 第74-76页 |
| 4.5 本章小结 | 第76-79页 |
| 第五章 总结与展望 | 第79-83页 |
| 5.1 工作总结 | 第79-80页 |
| 5.2 未来展望 | 第80-83页 |
| 参考文献 | 第83-91页 |
| 致谢 | 第91-93页 |
| 附录一 攻读硕士学位期间的研究成果和获奖情况 | 第93页 |