本文關(guān)鍵詞：基于OTG協(xié)議的氣體數(shù)據(jù)采集與識別算法的研究

  更多相關(guān)文章： OTG技術(shù) FPGA技術(shù) 數(shù)據(jù)采集系統(tǒng) 人工神經(jīng)網(wǎng)絡(luò)

【摘要】：OTG技術(shù)是一種新興的技術(shù),它可以在脫離PC機的情況下,實現(xiàn)各種不同設(shè)備或便攜式移動設(shè)備間的連接和數(shù)據(jù)通信功能,在便攜式移動設(shè)備領(lǐng)域得到了很好的應(yīng)用。本文將此技術(shù)與數(shù)據(jù)采集技術(shù)相結(jié)合,設(shè)計了一種能夠進行氣體快速數(shù)據(jù)采集與檢測識別的系統(tǒng)方案,該方案通過安卓智能平臺實現(xiàn)對系統(tǒng)各模塊的控制。在確保相對穩(wěn)定和可靠的前提下,分別從系統(tǒng)的硬件、軟件兩個部分進行設(shè)計。硬件部分主要是從OTG接口模塊的和FPGA模塊的設(shè)計方面進行,而軟件部分主要是從OTG的驅(qū)動、移動設(shè)備之間的通信進行。在氣體識別部分,本文主要是采用了主成分分析法(PCA)和前饋神經(jīng)網(wǎng)絡(luò)算法對采集到的氣體進行識別與分析,首先運用主成分分析法對采集到的高維數(shù)據(jù)集進行降維,獲得一組特征數(shù)據(jù)集；然后再使用MATLAB分別對標(biāo)準(zhǔn)BP算法和改進后的BP算法進行模擬仿真。通過對識別結(jié)果進行分析發(fā)現(xiàn),改進的BP算法可以減少網(wǎng)絡(luò)在學(xué)習(xí)過程中的震蕩趨勢,使網(wǎng)絡(luò)快速滑過極小值區(qū)域進而改善收斂性,使識別精度得到有效提高。
【關(guān)鍵詞】：OTG技術(shù) FPGA技術(shù) 數(shù)據(jù)采集系統(tǒng) 人工神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：上海應(yīng)用技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP274.2;TP183
【目錄】：

• 摘要5-6
• abstract6-9
• 第1章 引言9-15
• 1.1 研究背景9-10
• 1.2 研究意義與目的10-11
• 1.2.1 研究意義10-11
• 1.2.2 研究目的11
• 1.3 理論意義及實際應(yīng)用價值11-12
• 1.4 國內(nèi)外研究現(xiàn)狀12-13
• 1.5 論文的結(jié)構(gòu)13-15
• 第2章 OTG協(xié)議的簡介15-25
• 2.1 USB OTG技術(shù)背景15-16
• 2.2 USB OTG的通信協(xié)議16-20
• 2.2.1 雙重角色設(shè)備(DRD)16-17
• 2.2.2 對話請求協(xié)議(SRP)17-18
• 2.2.3 主從交換協(xié)議(HNP)18-19
• 2.2.4 USB OTG系統(tǒng)結(jié)構(gòu)19-20
• 2.3 USB OTG通信過程20-23
• 2.3.1 上電偵聽20
• 2.3.2 設(shè)備枚舉20-23
• 2.4 FPGA技術(shù)23-24
• 2.4.1 FPGA工作原理23-24
• 2.4.2 FPGA設(shè)計流程24
• 2.5 本章小結(jié)24-25
• 第3章 數(shù)據(jù)采集系統(tǒng)整體設(shè)計25-33
• 3.1 數(shù)據(jù)采集系統(tǒng)的簡介25
• 3.2 數(shù)據(jù)采集系統(tǒng)整體設(shè)計25-31
• 3.2.1 傳感器模塊26
• 3.2.2 A/D轉(zhuǎn)換模塊26-27
• 3.2.3 FPGA模塊27-29
• 3.2.4 USB OTG接口模塊29-30
• 3.2.5 Android智能設(shè)備30-31
• 3.3 數(shù)據(jù)采集系統(tǒng)流程31-32
• 3.4 本章小結(jié)32-33
• 第4章 氣體識別算法的研究33-45
• 4.1 主成分分析法(PCA)33-35
• 4.1.1 主成分分析法的基本原理33
• 4.1.2 主成分分析法的計算步驟33-35
• 4.1.3 主成分分析法的優(yōu)缺點35
• 4.2 人工神經(jīng)網(wǎng)絡(luò)35-39
• 4.2.1 概述35-36
• 4.2.2 基本原理36-37
• 4.2.3 網(wǎng)絡(luò)結(jié)構(gòu)37-38
• 4.2.4 人工神經(jīng)網(wǎng)絡(luò)的特點及其應(yīng)用領(lǐng)域38-39
• 4.3 BP神經(jīng)網(wǎng)絡(luò)39-44
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)的簡介39-40
• 4.3.2 BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化40
• 4.3.3 BP神經(jīng)網(wǎng)絡(luò)算法的推算過程40-42
• 4.3.4 BP神經(jīng)網(wǎng)絡(luò)算法的流程42-43
• 4.3.5 BP神經(jīng)網(wǎng)絡(luò)設(shè)計的基本原則43-44
• 4.4 本章小結(jié)44-45
• 第5章 實驗及其結(jié)果分析45-54
• 5.1 數(shù)據(jù)預(yù)處理與特征提取45-47
• 5.1.1 傳感器陣列的氣體響應(yīng)45-46
• 5.1.2 基于PCA的特征提取46-47
• 5.2 基于BP算法的數(shù)據(jù)處理47-53
• 5.2.1 BP神經(jīng)網(wǎng)絡(luò)模型的建立47-48
• 5.2.2 響應(yīng)函數(shù)的選取48-49
• 5.2.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與實現(xiàn)49-53
• 5.3 本章小結(jié)53-54
• 第6章 總結(jié)與展望54-55
• 致謝55-56
• 參考文獻(xiàn)56-59
• 攻讀學(xué)位期間所開展的科研項目和發(fā)表的學(xué)術(shù)論文59-60
• 附錄1 (枚舉過程)60-62
• 附錄2 (IN和OUT中斷請求)62-63

，

本文編號：809391