白酒识别电子鼻系统特征降维与分类器设计
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 白酒识别技术研究概述 | 第11-12页 |
| 1.1.1 感官评价法 | 第11页 |
| 1.1.2 色谱法 | 第11页 |
| 1.1.3 光谱法 | 第11页 |
| 1.1.4 可视化阵列传感器 | 第11-12页 |
| 1.2 电子鼻工作原理与发展进程 | 第12-16页 |
| 1.2.1 嗅觉系统简介 | 第12-13页 |
| 1.2.2 嗅觉信息传导机制 | 第13页 |
| 1.2.3 电子鼻工作原理介绍 | 第13-15页 |
| 1.2.4 电子鼻发展现状 | 第15-16页 |
| 1.3 电子鼻数据分析研究的现状 | 第16-18页 |
| 1.4 本文研究目的和内容安排 | 第18-21页 |
| 第2章 电子鼻平台 | 第21-33页 |
| 2.1 传感器阵列设计 | 第22-26页 |
| 2.2 采样气路设计 | 第26-27页 |
| 2.3 电路设计与信号采集系统 | 第27-29页 |
| 2.4 实验材料及方案 | 第29-32页 |
| 2.4.1 实验材料 | 第29-30页 |
| 2.4.2 实验方案 | 第30页 |
| 2.4.3 实验数据的获取 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 电子鼻数据降维 | 第33-49页 |
| 3.1 数据分析概述 | 第33-38页 |
| 3.1.1 信息预处理 | 第33-35页 |
| 3.1.2 特征降维 | 第35-37页 |
| 3.1.3 模式识别 | 第37-38页 |
| 3.2 KECA-LDA特征提取 | 第38-42页 |
| 3.2.1 KECA算法介绍 | 第39-40页 |
| 3.2.2 LDA算法介绍 | 第40-41页 |
| 3.2.3 KECA-LDA算法介绍 | 第41-42页 |
| 3.3 核参数选择 | 第42-46页 |
| 3.3.1 核函数 | 第42-43页 |
| 3.3.2 粒子群算法介绍 | 第43-44页 |
| 3.3.3 核参数选择结果 | 第44-46页 |
| 3.4 本章小结 | 第46-49页 |
| 第4章 基于极限学习机的电子鼻白酒分类 | 第49-63页 |
| 4.1 分类器设计 | 第49-51页 |
| 4.1.1 分类器的评价指标 | 第49-51页 |
| 4.1.2 交叉验证 | 第51页 |
| 4.2 极限学习机 | 第51-55页 |
| 4.2.1 BP神经网络算法原理 | 第52页 |
| 4.2.2 极限学习机算法原理 | 第52-55页 |
| 4.3 极限学习机识别结果 | 第55-62页 |
| 4.3.1 不同特征提取方法比较 | 第55-60页 |
| 4.3.2 不同分类器比较 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 发表论文和参加科研情况说明 | 第73-75页 |
| 附录：部分章节主要符号解释 | 第75-76页 |
| 致谢 | 第76-77页 |
