基于机器学习的气体传感器数据处理算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景和研究意义 | 第10-12页 |
| 1.2.1 研究背景 | 第10-11页 |
| 1.2.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 研究内容与章节安排 | 第13-15页 |
| 1.4.1 本文研究内容 | 第13-14页 |
| 1.4.2 本文章节安排 | 第14-15页 |
| 第二章 机器学习用于气体传感器的理论基础 | 第15-30页 |
| 2.1 数据预处理方法 | 第15-16页 |
| 2.2 特征提取方法 | 第16-18页 |
| 2.2.1 过滤法 | 第16-17页 |
| 2.2.2 主成分分析法 | 第17-18页 |
| 2.3 机器学习方法 | 第18-29页 |
| 2.3.1 k-邻近算法 | 第18-19页 |
| 2.3.2 逻辑回归 | 第19-20页 |
| 2.3.3 决策树 | 第20-23页 |
| 2.3.4 支持向量机 | 第23-26页 |
| 2.3.5 人工神经网络 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 机器学习用于气体分类 | 第30-45页 |
| 3.1 气体传感器数据介绍 | 第30-31页 |
| 3.2 各种机器学习算法用于气体分类 | 第31-42页 |
| 3.2.1 k-邻近算法的实验分析 | 第32-34页 |
| 3.2.2 逻辑回归的实验分析 | 第34-36页 |
| 3.2.3 决策树的实验分析 | 第36-38页 |
| 3.2.4 支持向量机的实验分析 | 第38-39页 |
| 3.2.5 人工神经网络的实验分析 | 第39-42页 |
| 3.3 分类算法的比较 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 机器学习方法的结合 | 第45-55页 |
| 4.1 概述 | 第45-46页 |
| 4.2 人工神经网络结合逻辑回归 | 第46-49页 |
| 4.2.1 人工神经网络的输入和输出 | 第46-47页 |
| 4.2.2 可疑样本的定义 | 第47-48页 |
| 4.2.3 算法设计 | 第48-49页 |
| 4.3 实验分析 | 第49-54页 |
| 4.3.1 整体测试数据实验分析 | 第49-52页 |
| 4.3.2 分批次数据实验分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 机器学习预测气体浓度 | 第55-62页 |
| 5.1 概述 | 第55-56页 |
| 5.2 基于机器学习的气体浓度回归 | 第56-58页 |
| 5.2.1 回归的评价指标 | 第56-57页 |
| 5.2.2 支持向量机回归 | 第57页 |
| 5.2.3 人工神经网络回归 | 第57-58页 |
| 5.3 实验分析 | 第58-61页 |
| 5.3.1 支持向量机回归实验分析 | 第58-59页 |
| 5.3.2 人工神经网络回归实验分析 | 第59-60页 |
| 5.3.3 两种回归方法的比较 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-73页 |
