| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 电子鼻技术的研究现状 | 第14-16页 |
| 1.3 深度强化学习的研究现状 | 第16-17页 |
| 1.4 电子鼻研究存在的问题 | 第17页 |
| 1.5 本文的主要内容和论文结构 | 第17-21页 |
| 1.5.1 主要研究内容 | 第17-18页 |
| 1.5.2 本文的主要贡献 | 第18-19页 |
| 1.5.3 论文结构 | 第19-21页 |
| 第2章 相关理论综述 | 第21-29页 |
| 2.1 生物嗅觉机理 | 第21-22页 |
| 2.2 电子鼻的原理及结构 | 第22-23页 |
| 2.3 生物嗅探和鼻粘膜色谱效应研究 | 第23-25页 |
| 2.4 强化学习 | 第25-26页 |
| 2.5 深度学习 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 进气流速可动态调制的电子鼻系统及实验验证平台 | 第29-40页 |
| 3.1 电子鼻总体结构 | 第29-32页 |
| 3.1.1 电子鼻控制单元 | 第30-31页 |
| 3.1.2 电子鼻流速控制单元 | 第31-32页 |
| 3.1.3 电子鼻数据采集单元 | 第32页 |
| 3.2 电子鼻信息采集系统 | 第32-34页 |
| 3.3 啤酒实验验证流速调制的有效性 | 第34-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 DQN-LSTM模型 | 第40-53页 |
| 4.1 DQN和LSTM网络原理介绍 | 第40-47页 |
| 4.1.1 DQN | 第40-42页 |
| 4.1.2 长短期记忆(LSTM) | 第42-47页 |
| 4.2 DQN-LSTM模型 | 第47-48页 |
| 4.3 DQN-LSTM算法 | 第48-49页 |
| 4.4 DQN-LSTM算法的Torch实现 | 第49-52页 |
| 4.4.1 获取数据 | 第49页 |
| 4.4.2 预处理数据 | 第49-51页 |
| 4.4.3 训练和测试 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 仿真实验研究 | 第53-69页 |
| 5.1 实验系统和实验对象 | 第53-54页 |
| 5.2 黄酒酒龄检测实验 | 第54-62页 |
| 5.2.1 实验过程与方法 | 第54-55页 |
| 5.2.2 数据采集与预处理 | 第55-56页 |
| 5.2.3 实验结果分析与讨论 | 第56-62页 |
| 5.3 VOC气体检测实验 | 第62-68页 |
| 5.3.1 实验过程与方法 | 第62页 |
| 5.3.2 数据采集与预处理 | 第62-64页 |
| 5.3.3 实验结果分析与讨论 | 第64-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 附录1 攻读硕士期间发表的论文 | 第77页 |
| 附录2 攻读硕士期间参加的科研项目 | 第77-78页 |
| 致谢 | 第78-79页 |