| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-21页 |
| 1.2.1 矿井瓦斯气体检测技术研究现状 | 第11-13页 |
| 1.2.2 二硫化钼基气敏传感器研究现状 | 第13-19页 |
| 1.2.3 气敏阵列智能检测技术研究现状 | 第19-21页 |
| 1.3 论文主要研究内容 | 第21-23页 |
| 第2章 面向矿井瓦斯气体检测的气敏薄膜传感器制备及表征 | 第23-36页 |
| 2.1 气敏传感器件结构设计与制备 | 第23页 |
| 2.2 MO_x及 MoS_2 纳米材料制备 | 第23-25页 |
| 2.2.1 试剂选用 | 第23-24页 |
| 2.2.2 水热法制备MoS | 第24页 |
| 2.2.3 水热法合成MO_x | 第24-25页 |
| 2.3 贵金属修饰MO_x/MoS_2 气敏薄膜传感器制备 | 第25-27页 |
| 2.3.1 水热法制备气敏传感薄膜 | 第25-26页 |
| 2.3.2 层层自组装构筑气敏传感薄膜 | 第26-27页 |
| 2.4 二硫化钼基气敏薄膜材料表征 | 第27-35页 |
| 2.4.1 XRD表征 | 第28-29页 |
| 2.4.2 SEM表征 | 第29-31页 |
| 2.4.3 TEM表征 | 第31-33页 |
| 2.4.4 其他表征方法 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 二硫化钼基薄膜传感器对矿井瓦斯气体的气敏特性 | 第36-50页 |
| 3.1 气敏测试环境搭建 | 第36-37页 |
| 3.2 基于水热法的Pd-SnO_2/MoS_2 薄膜传感器对H_2 的气敏特性 | 第37-42页 |
| 3.2.1 Pd-SnO_2/MoS_2 薄膜传感器对H_2 的气敏性能测试 | 第37-40页 |
| 3.2.2 Pd-SnO_2/MoS_2 薄膜传感器对H_2 的敏感机理分析 | 第40-42页 |
| 3.3 基于自组装的Ag-ZnO/MoS_2 薄膜传感器对CO的气敏特性 | 第42-45页 |
| 3.3.1 Ag-ZnO/MoS_2 薄膜传感器对CO的气敏性能测试 | 第42-44页 |
| 3.3.2 Ag-ZnO/MoS_2 薄膜传感器对CO的敏感机理分析 | 第44-45页 |
| 3.4 基于自组装的Pt-Co_3O_4/MoS_2 薄膜传感器对CH_4 的气敏特性 | 第45-49页 |
| 3.4.1 Pt-Co_3O_4/MoS_2 薄膜传感器对CH_4 的气敏性能测试 | 第45-48页 |
| 3.4.2 Pt-Co_3O_4/MoS_2 薄膜传感器对CH_4 的敏感机理分析 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 二硫化钼基气敏阵列的矿井瓦斯气体响应分析 | 第50-64页 |
| 4.1 二硫化钼基气敏阵列构建 | 第50-51页 |
| 4.1.1 薄膜传感器筛选 | 第50-51页 |
| 4.1.2 多组分气体测试平台搭建 | 第51页 |
| 4.2 气敏阵列对矿井瓦斯多组分气体响应 | 第51-55页 |
| 4.2.1 H_2-CO两组分混合气体响应 | 第51-53页 |
| 4.2.2 H_2-CH_4 两组分混合气体响应 | 第53-54页 |
| 4.2.3 CO-CH_4 两组分混合气体响应 | 第54页 |
| 4.2.4 H_2-CO-CH_4 三组分混合气体响应 | 第54-55页 |
| 4.3 气敏阵列对矿井瓦斯多组分气体响应数据分析 | 第55-63页 |
| 4.3.1 H_2-CO两组分混合气体响应数据分析 | 第55-57页 |
| 4.3.2 H_2-CH_4 两组分混合气体响应数据分析 | 第57-59页 |
| 4.3.3 CO-CH_4 两组分混合气体响应数据分析 | 第59-61页 |
| 4.3.4 H_2-CO-CH_4 三组分混合气体响应数据分析 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 基于二硫化钼气敏阵列的矿井瓦斯气体预测模型研究 | 第64-80页 |
| 5.1 问题提出 | 第64-65页 |
| 5.2 基于GA优化BP神经网络的矿井瓦斯气体预测模型 | 第65-72页 |
| 5.2.1 BP神经网络基本理论 | 第65-67页 |
| 5.2.2 遗传算法基本理论 | 第67-68页 |
| 5.2.3 基于GA-BP模型的矿井瓦斯气体预测 | 第68-72页 |
| 5.3 基于GA优化RBF神经网络的矿井瓦斯气体预测模型 | 第72-75页 |
| 5.3.1 RBF神经网络基本理论 | 第72-73页 |
| 5.3.2 基于GA-RBF模型的矿井瓦斯气体预测 | 第73-75页 |
| 5.4 基于GA优化LSSVM的矿井瓦斯气体预测模型 | 第75-79页 |
| 5.4.1 最小二乘支持向量机基本理论 | 第75-77页 |
| 5.4.2 基于GA-LSSVM模型的矿井瓦斯气体预测 | 第77-79页 |
| 5.5 本章小结 | 第79-80页 |
| 总结与展望 | 第80-82页 |
| 参考文献 | 第82-89页 |
| 攻读硕士学位期间取得的学术成果 | 第89-91页 |
| 致谢 | 第91页 |
