基于呼吸气体肺癌检测系统的识别算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 引言 | 第8页 |
| 1.2 呼吸气体检测肺癌概述 | 第8-11页 |
| 1.3 气体检测模式识别现状 | 第11-15页 |
| 1.3.1 统计模式识别算法 | 第12-14页 |
| 1.3.2 人工神经网络算法的模式识别 | 第14-15页 |
| 1.4 课题的研究目的和内容 | 第15-18页 |
| 1.4.1 研究目的 | 第15页 |
| 1.4.2 研究意义 | 第15-16页 |
| 1.4.3 研究内容 | 第16-18页 |
| 2 呼吸气体肺癌检测系统 | 第18-25页 |
| 2.1 卟啉阵列传感器检测原理 | 第18-19页 |
| 2.2 呼吸气体肺癌检测系统的构建 | 第19-23页 |
| 2.2.1 系统整体的设计 | 第19-20页 |
| 2.2.2 系统的检测流程 | 第20-21页 |
| 2.2.3 系统软件功能图 | 第21-23页 |
| 2.3 系统用于肺癌标志性气体检测的实验方法 | 第23-25页 |
| 3 基于模糊隶属和加权模板匹配的定性识别 | 第25-49页 |
| 3.1 模糊理论 | 第25-26页 |
| 3.1.1 隶属函数的确定方法 | 第25-26页 |
| 3.1.2 常用隶属度函数 | 第26页 |
| 3.2 模板匹配的基本原理 | 第26-28页 |
| 3.2.1 模板匹配 | 第27-28页 |
| 3.2.2 模板匹配的关键要素 | 第28页 |
| 3.3 整体算法流程 | 第28-34页 |
| 3.3.1 数据预处理 | 第28-29页 |
| 3.3.2 生成模板图谱 | 第29-32页 |
| 3.3.3 加权模板匹配 | 第32-34页 |
| 3.3.4 基于模糊隶属的评判准则 | 第34页 |
| 3.4 算法的实现与测试 | 第34-43页 |
| 3.4.1 代码设计流程 | 第34-36页 |
| 3.4.2 肺癌标志物气体的识别测试 | 第36-37页 |
| 3.4.3 不同浓度肺癌标志物气体的识别测试 | 第37-39页 |
| 3.4.4 聚类分析对肺癌标志物的识别对比 | 第39-40页 |
| 3.4.5 肺癌患者呼出气体的识别测试 | 第40-43页 |
| 3.5 算法在嵌入式系统的实现 | 第43-47页 |
| 3.5.1 识别程序的实现 | 第43-45页 |
| 3.5.2 算法程序移植 | 第45-47页 |
| 3.6 本章小结 | 第47-49页 |
| 4 基于肺癌呼气检测系统的定量识别 | 第49-64页 |
| 4.1 卟啉传感器阵列点颜色特征提取 | 第49-56页 |
| 4.1.1 HSI色彩模型 | 第50-51页 |
| 4.1.2 卟啉传感图像HSI特征提取 | 第51-53页 |
| 4.1.3 特征提取结果及分析 | 第53页 |
| 4.1.4 对不同浓度丙酮气体响应HSI特征分析 | 第53-56页 |
| 4.2 基于支持向量机的不同浓度丙酮气体识别 | 第56-59页 |
| 4.2.1 支持向量机的概述 | 第56-57页 |
| 4.2.2 识别结果 | 第57-59页 |
| 4.3 基于BP神经网络不同浓度丙酮气体识别 | 第59-62页 |
| 4.3.1 BP神经网络 | 第59-61页 |
| 4.3.2 识别结果 | 第61-62页 |
| 4.4 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
