| 摘要 | 第3-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 穿戴技术与智能服装 | 第10页 |
| 1.1.2 气体检测 | 第10-11页 |
| 1.1.3 人工智能与机器学习 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.2.1 电化学气体传感器灵敏度校正 | 第13页 |
| 1.2.2 电化学气体传感器的浓度预测 | 第13页 |
| 1.3 研究意义 | 第13-14页 |
| 1.4 本论文工作内容 | 第14-15页 |
| 1.4.1 基于岭回归电化学气体传感器灵敏度校正 | 第14-15页 |
| 1.4.2 基于机器学习的CO浓度预测 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 系统算法研究与验证平台 | 第16-22页 |
| 2.1 系统算法研究与验证硬件平台 | 第16-19页 |
| 2.1.1 气体预警穿戴系统简介 | 第16-17页 |
| 2.1.2 算法研究计算平台 | 第17-18页 |
| 2.1.3 电化学气体传感器 | 第18-19页 |
| 2.2 算法研究与验证软件平台 | 第19-21页 |
| 2.2.1 Raspbian操作系统 | 第19-20页 |
| 2.2.2 Python编程语言 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 时间序列与机器学习概述 | 第22-29页 |
| 3.1 时间序列 | 第22-24页 |
| 3.1.1 时间序列的概念 | 第22-23页 |
| 3.1.2 时间序列的预测方法 | 第23-24页 |
| 3.2 机器学习 | 第24-28页 |
| 3.2.1 概述 | 第24页 |
| 3.2.2 机器学习的主要任务 | 第24-25页 |
| 3.2.3 机器学习模型建立 | 第25-26页 |
| 3.2.4 噪声 | 第26-27页 |
| 3.2.5 参数方法和非参数方法 | 第27-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 基于岭回归算法的电化学气体传感器校正 | 第29-35页 |
| 4.1 岭回归算法 | 第29-30页 |
| 4.2 利用岭回归法的一般步骤 | 第30页 |
| 4.3 传感器灵敏度数据处理 | 第30-33页 |
| 4.4 结果分析 | 第33-34页 |
| 4.5 本章小结 | 第34-35页 |
| 第五章 基于机器学习的CO浓度预测 | 第35-57页 |
| 5.1 决策树回归 | 第35-37页 |
| 5.1.1 决策树概述 | 第35-37页 |
| 5.1.2 优缺点分析 | 第37页 |
| 5.2 基于决策树回归的CO浓度预测 | 第37-41页 |
| 5.2.1 数据处理 | 第37-38页 |
| 5.2.2 基于决策树回归的CO浓度预测流程图 | 第38-39页 |
| 5.2.3 拟合结果图 | 第39-41页 |
| 5.3 支持向量回归 | 第41-43页 |
| 5.4 基于SVR的CO气体浓度预测 | 第43-48页 |
| 5.4.1 数据处理 | 第43-44页 |
| 5.4.2 基于SVR的CO浓度预测流程图 | 第44页 |
| 5.4.3 拟合结果图 | 第44-48页 |
| 5.5 移动平均模型和指数加权移动平均模型 | 第48-49页 |
| 5.5.1.移动平均模型 | 第48页 |
| 5.5.2.指数加权移动平均法 | 第48-49页 |
| 5.6 基于移动平均模型和指数加权移动平均模型的CO浓度预测 | 第49-51页 |
| 5.6.1 数据处理 | 第49页 |
| 5.6.2 基于移动平均模型和指数加权移动平均模型的CO浓度预测流程图 | 第49-50页 |
| 5.6.3 结果图 | 第50-51页 |
| 5.7 树莓派平台实际运行效果 | 第51-54页 |
| 5.8 结果分析与方案选择 | 第54-56页 |
| 5.9 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间论文发表情况 | 第63-64页 |
| 附录 | 第64-98页 |