| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 背景与现实意义 | 第14-15页 |
| 1.2 红外气体检测技术在传感器中的应用发展 | 第15-16页 |
| 1.3 建立基于SVR的误差预测模型的必要性 | 第16-18页 |
| 1.3.1 统计学习理论概述 | 第16页 |
| 1.3.2 支持向量机的优点 | 第16-17页 |
| 1.3.3 误差预测模型的必要性 | 第17-18页 |
| 1.4 常见的支持向量机的参数选取优化算法 | 第18-19页 |
| 1.5 本文的主要工作 | 第19-21页 |
| 第二章 红外气体检测技术在瓦斯测量中的应用研究 | 第21-28页 |
| 2.1 气体分子的红外选择吸收理论 | 第21-22页 |
| 2.2 Lambert-Beer气体吸收定律 | 第22页 |
| 2.3 气体差分吸收检测模型 | 第22-25页 |
| 2.3.1 单波长双光路 | 第23-24页 |
| 2.3.2 双波长单光路 | 第24-25页 |
| 2.4 红外瓦斯传感器的主要部件介绍 | 第25-27页 |
| 2.4.1 红外光源 | 第25-26页 |
| 2.4.2 气室 | 第26页 |
| 2.4.3 红外探测器 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于SVR的误差预测模型的相关理论研究 | 第28-47页 |
| 3.1 统计学习理论 | 第28-31页 |
| 3.1.1 机器学习 | 第28-29页 |
| 3.1.2 经验风险最小化原则 | 第29-30页 |
| 3.1.3 VC维与推广性的界 | 第30-31页 |
| 3.1.4 结构风险最小化原则 | 第31页 |
| 3.2 支持回归机向量机 | 第31-39页 |
| 3.2.1 支持向量分类机 | 第32-36页 |
| 3.2.2 ε不敏感损失函数 | 第36-37页 |
| 3.2.3 核技巧 | 第37-38页 |
| 3.2.4 支持向量回归机 | 第38-39页 |
| 3.3 萤火虫算法及其改进 | 第39-46页 |
| 3.3.1 群智能优化算法 | 第39-41页 |
| 3.3.2 基本的萤火虫算法 | 第41-44页 |
| 3.3.3 萤火虫算法的改进 | 第44页 |
| 3.3.4 改进的萤火虫算法在函数优化中的实验 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 误差预测模型及实验 | 第47-59页 |
| 4.1 支持向量回归机的参数选取研究 | 第47-52页 |
| 4.1.1 惩罚系数C和核参数g对SVR性能影响的实验 | 第47-49页 |
| 4.1.2 改进的萤火虫算法在SVR参数选取中的应用 | 第49-52页 |
| 4.2 误差预测模型的建立 | 第52页 |
| 4.3 实验系统构建 | 第52-56页 |
| 4.3.1 系统硬件设计 | 第53-54页 |
| 4.3.2 系统软件设计 | 第54-56页 |
| 4.4 基于SVR误差预测模型的瓦斯浓度测量实验及结果分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文主要工作 | 第59页 |
| 5.2 进一步工作 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 攻读硕士论文期间发表的论文及参与的科研项目 | 第63-64页 |
