目前,機(jī)器嗅覺(jué)已經(jīng)應(yīng)用到食品安全、醫(yī)療衛(wèi)生、消費(fèi)電子、環(huán)境監(jiān)測(cè)和航天航空等領(lǐng)域,和我們生產(chǎn)生活密不可分。在機(jī)器嗅覺(jué)技術(shù)中氣體傳感器數(shù)據(jù)處理非常重要,特別地,利用氣體傳感器數(shù)據(jù)進(jìn)行氣體識(shí)別和氣體濃度預(yù)測(cè)是機(jī)器嗅覺(jué)研究的主要目標(biāo)。在氣體識(shí)別或氣體濃度預(yù)測(cè)系統(tǒng)中,需要先采集到傳感數(shù)據(jù),然后采用機(jī)器學(xué)習(xí)方法對(duì)這些數(shù)據(jù)進(jìn)行處理,從而識(shí)別出氣體或者得到氣體濃度。目前已經(jīng)有很多機(jī)器學(xué)習(xí)算法用于氣體傳感器數(shù)據(jù)處理,但是這些工作往往只使用了一到兩種算法進(jìn)行對(duì)比,沒(méi)有進(jìn)行多種算法的對(duì)比。而在現(xiàn)實(shí)的工業(yè)應(yīng)用中,必須嘗試并對(duì)比多種方法,才能獲得在具體應(yīng)用中最好的方法。論文首先分析對(duì)比了多種氣體分類方法。特征工程階段采用Z-score標(biāo)準(zhǔn)化和基于多項(xiàng)式的特征變換等方法進(jìn)行數(shù)據(jù)預(yù)處理,采用方差選擇法和主成分分析法等進(jìn)行特征提取。然后,實(shí)驗(yàn)分析對(duì)比了鄰近算法、邏輯回歸、決策樹(shù)、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)這五種分類方法。實(shí)驗(yàn)結(jié)果表明,人工神經(jīng)網(wǎng)絡(luò)在各個(gè)批次的氣體傳感器數(shù)據(jù)上表現(xiàn)都比較好,說(shuō)明擁有強(qiáng)大的非線性表達(dá)能力的人工神經(jīng)網(wǎng)絡(luò)在氣體分類中具有魯棒性。為了進(jìn)一步的提高氣體的分類準(zhǔn)確率,接著本文提出了一種人工神經(jīng)網(wǎng)絡(luò)結(jié)合... 

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 研究背景和研究意義
        1.2.1 研究背景
        1.2.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 研究?jī)?nèi)容與章節(jié)安排
        1.4.1 本文研究?jī)?nèi)容
        1.4.2 本文章節(jié)安排
第二章 機(jī)器學(xué)習(xí)用于氣體傳感器的理論基礎(chǔ)
    2.1 數(shù)據(jù)預(yù)處理方法
    2.2 特征提取方法
        2.2.1 過(guò)濾法
        2.2.2 主成分分析法
    2.3 機(jī)器學(xué)習(xí)方法
        2.3.1 k-鄰近算法
        2.3.2 邏輯回歸
        2.3.3 決策樹(shù)
        2.3.4 支持向量機(jī)
        2.3.5 人工神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第三章 機(jī)器學(xué)習(xí)用于氣體分類
    3.1 氣體傳感器數(shù)據(jù)介紹
    3.2 各種機(jī)器學(xué)習(xí)算法用于氣體分類
        3.2.1 k-鄰近算法的實(shí)驗(yàn)分析
        3.2.2 邏輯回歸的實(shí)驗(yàn)分析
        3.2.3 決策樹(shù)的實(shí)驗(yàn)分析
        3.2.4 支持向量機(jī)的實(shí)驗(yàn)分析
        3.2.5 人工神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)分析
    3.3 分類算法的比較
    3.4 本章小結(jié)
第四章 機(jī)器學(xué)習(xí)方法的結(jié)合
    4.1 概述
    4.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)合邏輯回歸
        4.2.1 人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出
        4.2.2 可疑樣本的定義
        4.2.3 算法設(shè)計(jì)
    4.3 實(shí)驗(yàn)分析
        4.3.1 整體測(cè)試數(shù)據(jù)實(shí)驗(yàn)分析
        4.3.2 分批次數(shù)據(jù)實(shí)驗(yàn)分析
    4.4 本章小結(jié)
第五章 機(jī)器學(xué)習(xí)預(yù)測(cè)氣體濃度
    5.1 概述
    5.2 基于機(jī)器學(xué)習(xí)的氣體濃度回歸
        5.2.1 回歸的評(píng)價(jià)指標(biāo)
        5.2.2 支持向量機(jī)回歸
        5.2.3 人工神經(jīng)網(wǎng)絡(luò)回歸
    5.3 實(shí)驗(yàn)分析
        5.3.1 支持向量機(jī)回歸實(shí)驗(yàn)分析
        5.3.2 人工神經(jīng)網(wǎng)絡(luò)回歸實(shí)驗(yàn)分析
        5.3.3 兩種回歸方法的比較
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識(shí)別與人工智能. 2014(04)
[2]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[3]Study on the Overfitting of the Artificial Neural Network Forecasting Model[J]. 金龍,況雪源,黃海洪,覃志年,王業(yè)宏.  Acta Meteorologica Sinica. 2005(02)
[4]機(jī)器學(xué)習(xí)研究[J]. 王玨,石純一.  廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2003(02)

碩士論文
[1]氣體傳感器陣列數(shù)據(jù)的智能分析與研究[D]. 辜文祥.電子科技大學(xué) 2016
[2]電子鼻/舌系統(tǒng)設(shè)計(jì)及氣—味信息融合技術(shù)應(yīng)用[D]. 陳棟琳.東北電力大學(xué) 2015
[3]空氣質(zhì)量監(jiān)測(cè)電子鼻傳感器長(zhǎng)期漂移研究[D]. 李國(guó)瑞.重慶大學(xué) 2014



本文編號(hào)：3647318