| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 气体传感器漂移补偿研究现状 | 第8-10页 |
| 1.2.2 深度学习应用研究现状 | 第10-11页 |
| 1.3 主要研究内容及章节安排 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 基于深度信念网络的漂移气体特征表达 | 第13-33页 |
| 2.1 引言 | 第13页 |
| 2.2 问题分析 | 第13-15页 |
| 2.3 深度信念网络模型 | 第15-20页 |
| 2.3.1 受限制玻尔兹曼机 | 第15-16页 |
| 2.3.2 对比散度法 | 第16-18页 |
| 2.3.3 高斯伯努利受限制玻尔兹曼机 | 第18页 |
| 2.3.4 逐层贪婪训练与微调 | 第18-20页 |
| 2.4 基于深度信念网络的漂移气体特征表达 | 第20-31页 |
| 2.4.1 基于深度信念网络的漂移气体特征表达 | 第20-21页 |
| 2.4.2 实验数据 | 第21-23页 |
| 2.4.3 实验方案 | 第23页 |
| 2.4.4 实验结果与分析 | 第23-31页 |
| 2.4.5 结论 | 第31页 |
| 2.5 本章小结 | 第31-33页 |
| 3 深度信念网络在气体漂移补偿问题中的参数设计 | 第33-47页 |
| 3.1 引言 | 第33-34页 |
| 3.2 深度信念网络的参数分析 | 第34-38页 |
| 3.2.1 结构参数 | 第34-35页 |
| 3.2.2 学习参数 | 第35-38页 |
| 3.3 学习参数的设计 | 第38-41页 |
| 3.3.1 实验方案 | 第38页 |
| 3.3.2 实验结果与分析 | 第38-41页 |
| 3.4 结构参数的设计 | 第41-45页 |
| 3.4.1 实验方案 | 第41-42页 |
| 3.4.2 实验结果与分析 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 基于迁移学习与深度信念网络的气体传感器漂移补偿 | 第47-63页 |
| 4.1 引言 | 第47页 |
| 4.2 自适应校正气体漂移补偿方法 | 第47-50页 |
| 4.2.1 基于SVM的集成分类器漂移补偿方法 | 第47-48页 |
| 4.2.2 基于交叉域的极限学习机补偿方法 | 第48-49页 |
| 4.2.3 基于迁移样本的双任务学习补偿方法 | 第49-50页 |
| 4.3 基于迁移学习的深度信念网络气体漂移补偿方法 | 第50-62页 |
| 4.3.1 迁移学习概述 | 第50-51页 |
| 4.3.2 TrAdaBoost算法 | 第51-52页 |
| 4.3.3 基于迁移学习的深度信念网络气体漂移补偿 | 第52-54页 |
| 4.3.4 实验方案 | 第54-55页 |
| 4.3.5 实验结果与分析 | 第55-62页 |
| 4.4 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63页 |
| 5.2 下一步工作展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |
| A. 作者在攻读硕士学位期间发表论文与专利 | 第71页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第71页 |
