基于红外光谱的气体识别与浓度检测算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 红外光谱分析技术概述 | 第11-12页 |
| 1.2.1 红外光谱分析技术的发展 | 第11页 |
| 1.2.2 红外光谱分析技术的应用 | 第11-12页 |
| 1.3 气体识别与浓度检测算法国内外发展现状 | 第12-13页 |
| 1.4 本文主要的研究内容 | 第13-14页 |
| 1.5 章节安排 | 第14-15页 |
| 第二章 气体红外光谱信号的检测原理 | 第15-22页 |
| 2.1 红外光谱的基本原理 | 第15-18页 |
| 2.1.1 气体的红外吸收机理 | 第16-17页 |
| 2.1.2 气体传感机理 | 第17-18页 |
| 2.2 红外光谱的分析方法和流程 | 第18-20页 |
| 2.3 光谱信号预处理方法 | 第20页 |
| 2.4 模型的参数评价 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 气体分类与浓度识别算法研究 | 第22-48页 |
| 3.1 光谱分类的基本概述 | 第22-23页 |
| 3.2 光谱分类算法的研究设计 | 第23-29页 |
| 3.2.1 光谱识别系统的设计要求 | 第23页 |
| 3.2.2 光谱信号的归一化 | 第23-25页 |
| 3.2.3 光谱信号的特征提取 | 第25-29页 |
| 3.3 气体红外光谱的浓度算法研究 | 第29-31页 |
| 3.3.1 多组分分析问题的提出 | 第29页 |
| 3.3.2 多组分分析的常用算法 | 第29-31页 |
| 3.4 神经网络的模型建立 | 第31-47页 |
| 3.4.1 神经网络的概述 | 第31-32页 |
| 3.4.2 BP神经网络模型建立 | 第32-40页 |
| 3.4.3 RBF神经网络模型建立 | 第40-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 气体分类与浓度识别算法处理结果及分析 | 第48-61页 |
| 4.1 气体光谱数据的获取 | 第48-51页 |
| 4.2 原始红外光谱数据预处理 | 第51-52页 |
| 4.3 红外光谱数据特征提取 | 第52-54页 |
| 4.4 多种气体组分浓度分析 | 第54-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67-72页 |
| 攻读硕士学位期间取得的成果 | 第72页 |
