基于深度学习的工业气体识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 仿生嗅觉与气体识别的国内外现状 | 第10-12页 |
| 1.2.2 仿生嗅觉与气体识别的国内外现状 | 第12页 |
| 1.2.3 气敏传感器 | 第12-13页 |
| 1.2.4 深度学习在气体识别中的应用 | 第13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第2章 相关理论和关键技术 | 第15-20页 |
| 2.1 深度学习 | 第15-17页 |
| 2.2 仿气体识别传统方法 | 第17-18页 |
| 2.2.1 气体的采集 | 第17页 |
| 2.2.2 离散小波的转换 | 第17-18页 |
| 2.3 仿生嗅觉 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于深度学习的气体识别过程设计 | 第20-35页 |
| 3.1 深度学习网络 | 第20-24页 |
| 3.1.1 深度学习网络中的训练难点 | 第21-22页 |
| 3.1.2 深度学习网络训练的过程 | 第22页 |
| 3.1.3 深度学习网络中常用的栈式自动编码网络 | 第22-23页 |
| 3.1.4 深度学习网络中常用的深度信念网络 | 第23-24页 |
| 3.2 利用深度学习网络进行气体识别 | 第24-29页 |
| 3.2.1 实验数据的预处理方案 | 第25页 |
| 3.2.2 设计针对气体识别的深度学习网络 | 第25-26页 |
| 3.2.3 气体识别过程与算法 | 第26-27页 |
| 3.2.4 关键步骤的分析 | 第27-29页 |
| 3.3 气体识别实验 | 第29-34页 |
| 3.3.1 数据样本 | 第29-30页 |
| 3.3.2 利用手工提取气体的特征 | 第30-31页 |
| 3.3.3 降维后的气体特征提取 | 第31-32页 |
| 3.3.4 实验流程的调优 | 第32-33页 |
| 3.3.5 利用深度学习网络对气体识别 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 飘移补偿研究 | 第35-42页 |
| 4.1 数据的来源与预处理 | 第35-36页 |
| 4.2 实验设计 | 第36-38页 |
| 4.3 实验方案的改进 | 第38-40页 |
| 4.4 实验总结 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 结论与展望 | 第42-43页 |
| 5.1 结论 | 第42页 |
| 5.2 展望 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 攻读学位期间所开展的科研项目和发表的学术论文 | 第48页 |
