基于深度学习的气体识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景及研究意义 | 第11-14页 |
| 1.1.1 课题背景 | 第11-13页 |
| 1.1.1.1 气体识别 | 第11-12页 |
| 1.1.1.2 传感器漂移 | 第12页 |
| 1.1.1.3 深度学习 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 仿生嗅觉与气体识别 | 第14页 |
| 1.2.2 漂移补偿法 | 第14-15页 |
| 1.2.3 深度学习在气体识别中的应用 | 第15页 |
| 1.3 本文研究内容与组织 | 第15-17页 |
| 1.3.1 本文研究内容 | 第15-16页 |
| 1.3.2 本文的组织安排 | 第16-17页 |
| 第二章 气体识别的传统方法 | 第17-40页 |
| 2.1 特征提取与特征选择 | 第17-21页 |
| 2.1.1 手工设计的特征 | 第18-19页 |
| 2.1.2 离散小波变换 | 第19-20页 |
| 2.1.3 主成分分析 | 第20-21页 |
| 2.2 分类算法 | 第21-31页 |
| 2.2.1 最邻近结点算法 | 第21-25页 |
| 2.2.1.0 原理 | 第21-22页 |
| 2.2.1.1 相似度衡量 | 第22-25页 |
| 2.2.1.2 缺点与改进 | 第25页 |
| 2.2.2 支持向量机 | 第25-31页 |
| 2.2.2.1 经验风险和结构风险 | 第25-26页 |
| 2.2.2.2 最优间隔分类器 | 第26-27页 |
| 2.2.2.3 核函数 | 第27-28页 |
| 2.2.2.4 松弛变量和惩罚因子 | 第28-29页 |
| 2.2.2.5 多分类问题 | 第29-30页 |
| 2.2.2.6 交叉验证 | 第30-31页 |
| 2.3 一种改进的气体识别方法 | 第31-38页 |
| 2.3.1 特征提取 | 第31-32页 |
| 2.3.2 基于马氏距离的KNN | 第32-34页 |
| 2.3.2.1 马氏距离 | 第33页 |
| 2.3.2.2 气体样本相似度计算 | 第33-34页 |
| 2.3.3 参数寻优 | 第34-36页 |
| 2.3.3.1 参数选择 | 第34-35页 |
| 2.3.3.2 交叉检验 | 第35-36页 |
| 2.3.3.3 关键代码分析 | 第36页 |
| 2.3.4 训练和预测 | 第36-37页 |
| 2.3.5 优势与不足 | 第37-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第三章 基于深度学习的气体识别 | 第40-62页 |
| 3.1 深度学习概述 | 第40-41页 |
| 3.2 深度学习中的几种基本结构 | 第41-45页 |
| 3.2.1 稀疏自动编码机 | 第41-42页 |
| 3.2.2 稀疏编码 | 第42-43页 |
| 3.2.3 限制波尔兹曼机 | 第43-45页 |
| 3.3 深度网络 | 第45-50页 |
| 3.3.1 概述 | 第45页 |
| 3.3.2 训练深度网络的困难 | 第45-46页 |
| 3.3.2.1 数据获取 | 第46页 |
| 3.3.2.2 局部极值 | 第46页 |
| 3.3.2.3 梯度松散 | 第46页 |
| 3.3.3 预训练与微调 | 第46-47页 |
| 3.3.4 栈式自编码网络 | 第47-49页 |
| 3.3.5 深度信念网络 | 第49-50页 |
| 3.4 进行气体识别的深度网络 | 第50-55页 |
| 3.4.1 气体样本的预处理 | 第50-51页 |
| 3.4.2 用于分类的深度网络 | 第51-52页 |
| 3.4.3 算法与流程 | 第52-53页 |
| 3.4.4 关键代码分析 | 第53-55页 |
| 3.5 实验设计 | 第55-60页 |
| 3.5.1 实验数据 | 第55-56页 |
| 3.5.2 基于手工特征的气体识别 | 第56-57页 |
| 3.5.3 基于特征提取的气体识别 | 第57-58页 |
| 3.5.4 改进的气体识别方法 | 第58-59页 |
| 3.5.5 基于深度网络的气体识别 | 第59-60页 |
| 3.5.5.1 实验方案 | 第59页 |
| 3.5.5.2 实验结果 | 第59-60页 |
| 3.6 本章小结 | 第60-62页 |
| 第四章 基于深度学习的漂移补偿 | 第62-69页 |
| 4.1 实验数据 | 第62-63页 |
| 4.2 方案和结果 | 第63-65页 |
| 4.3 进一步优化 | 第65-66页 |
| 4.4 在实际应用中的优势 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 结论 | 第69-71页 |
| 5.1 本文的主要贡献 | 第69页 |
| 5.2 下一步工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻硕期间取得的研究成果 | 第76-77页 |
