气体传感器阵列数据的智能分析与研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景和研究意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究内容与基本框架 | 第13-15页 |
| 1.3.1 本文研究内容 | 第13-14页 |
| 1.3.2 本文基本框架 | 第14-15页 |
| 第二章 气体识别的相关方法 | 第15-28页 |
| 2.1 数据预处理 | 第15-16页 |
| 2.2 特征提取 | 第16-18页 |
| 2.2.1 离散小波变换 | 第16-17页 |
| 2.2.2 主成分分析 | 第17-18页 |
| 2.3 分类算法 | 第18-27页 |
| 2.3.1 支持向量机 | 第19-23页 |
| 2.3.2 人工神经网络 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于深度学习的气体分类 | 第28-44页 |
| 3.1 概述 | 第28-29页 |
| 3.2 稀疏自动编码机 | 第29-30页 |
| 3.3 深度网络 | 第30-34页 |
| 3.3.1 深度网络概述 | 第30-31页 |
| 3.3.2 训练深度网络的难点 | 第31-32页 |
| 3.3.3 预训练与微调 | 第32-33页 |
| 3.3.4 栈式自编码网络 | 第33-34页 |
| 3.4 栈式自编码网络进行气体分类 | 第34-38页 |
| 3.4.1 气体样本的预处理 | 第35页 |
| 3.4.2 用于分类的深度网络 | 第35-36页 |
| 3.4.3 算法与流程 | 第36-37页 |
| 3.4.4 关键代码分析 | 第37-38页 |
| 3.5 实验 | 第38-42页 |
| 3.5.1 实验数据 | 第38-39页 |
| 3.5.2 基于SVM的气体识别 | 第39-40页 |
| 3.5.3 基于BP神经网络的气体识别 | 第40-41页 |
| 3.5.4 基于深度学习的气体识别 | 第41页 |
| 3.5.5 实验优缺点 | 第41-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 基于深度主成份分析网络的气体识别 | 第44-57页 |
| 4.1 深度主成份分析网络 | 第44-47页 |
| 4.1.1 单层主成份分析网络 | 第44-45页 |
| 4.1.2 深度主成份分析网络 | 第45-47页 |
| 4.2 基于深度主成份分析网络的漂移补偿 | 第47-49页 |
| 4.2.1 算法与流程 | 第47-48页 |
| 4.2.2 关键代码分析 | 第48-49页 |
| 4.3 实验设计 | 第49-56页 |
| 4.3.1 实验数据 | 第49-50页 |
| 4.3.2 方案和结果 | 第50-54页 |
| 4.3.3 调整参数优化 | 第54-55页 |
| 4.3.4 实验分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 基于三支决策的气体分类风险控制 | 第57-68页 |
| 5.1 三支决策概述 | 第57页 |
| 5.2 基于决策粗糙集的三支决策 | 第57-60页 |
| 5.2.1 风险最小化的贝叶斯决策 | 第57-58页 |
| 5.2.2 决策粗糙集三支决策 | 第58-60页 |
| 5.3 基于三支决策处理气体分类决策 | 第60-62页 |
| 5.3.1 基于领域的概率计算 | 第60-61页 |
| 5.3.2 基于三支决策的气体分类 | 第61页 |
| 5.3.3 关键代码分析 | 第61-62页 |
| 5.4 实验设计 | 第62-67页 |
| 5.4.1 实验数据 | 第62页 |
| 5.4.2 实验方案 | 第62-63页 |
| 5.4.3 实验结果 | 第63-65页 |
| 5.4.4 阈值调整 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 进一步研究工作 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
