本文關(guān)鍵詞：增量學(xué)習(xí)在電子鼻智能烘烤系統(tǒng)中的應(yīng)用研究

  更多相關(guān)文章： 增量學(xué)習(xí) 智能控制 烘烤系統(tǒng) 加權(quán)支持向量回歸機 電子鼻

【摘要】：增量學(xué)習(xí)作為機器學(xué)習(xí)的一個重要研究方向,隨著大數(shù)據(jù)時代的到來,由于其不依賴全部樣本,只利用和保存樣本特征、概念或代表性的樣本,能有效實現(xiàn)對樣本的約減并從新樣本中學(xué)習(xí)到新的知識,在解決內(nèi)存限制和重復(fù)學(xué)習(xí)問題上有獨特優(yōu)勢,被視為大數(shù)據(jù)問題的一種重要且有效的解決辦法。氣味是物質(zhì)的重要特征之一,電子鼻技術(shù)是一種基于仿生嗅覺原理的新興無損氣味檢測技術(shù),相比于傳統(tǒng)的化學(xué)、光學(xué)檢測方法,其具有快速、準(zhǔn)確、客觀,便捷的優(yōu)點,是仿生嗅覺領(lǐng)域中的研究熱點。隨著“工業(yè)4.0”時代的到來,智能化已成為未來工業(yè)的主要發(fā)展趨勢。目前我國對工業(yè)烘烤中的智能化研究較少,烘烤過程主要靠人的經(jīng)驗和自動化機器相結(jié)合實現(xiàn),其與真正的無人智能自動烘烤相差較遠。本文針對煙草工業(yè)的重要環(huán)節(jié)——煙葉烘烤中的智能化、自動化水平低問題,研究了實現(xiàn)煙葉自動智能烘烤的方法。立足于自主研發(fā)的烘烤信息化操控平臺,利用電子鼻、攝像機等采集設(shè)備,無損收集了煙葉的氣味,圖像和水分信息,探討了煙葉特征在烘烤過程中的變化規(guī)律,并結(jié)合收集到的烘烤師調(diào)控烘烤工藝曲線信息,建立了由煙葉特征信息預(yù)測烘烤工藝參數(shù)的機器學(xué)習(xí)網(wǎng)絡(luò)模型。同時,針對不同品質(zhì)的煙葉在烘烤中的復(fù)雜性,研究了應(yīng)對該情況下的處理方法——增量學(xué)習(xí)。由于煙葉烘烤預(yù)測網(wǎng)絡(luò)是一類回歸預(yù)測網(wǎng)絡(luò),本文主要研究了基于支持向量回歸機的增量學(xué)習(xí)方法。在分析了現(xiàn)有基于支持向量的增量算法缺點及烘烤學(xué)習(xí)樣本增量特點后,提出了使用自組織競爭網(wǎng)絡(luò)(SOINN)獲取樣本的拓撲節(jié)點信息,再利用加權(quán)支持向量回歸機對數(shù)據(jù)進行加權(quán)訓(xùn)練的方法。該方法能較好地保留原始數(shù)據(jù)的特點并減弱一般基于支持向量的增量模型在增量學(xué)習(xí)中的缺點。針對SOINN網(wǎng)絡(luò)在增量批數(shù)據(jù)概念漂移情況下存在的問題提出了相應(yīng)的改進處理方法。算法在人工sin函數(shù)數(shù)據(jù)集、UCI數(shù)據(jù)集及實測數(shù)據(jù)集下測試并驗證了效果。最后立足于已有的智能烘烤控制平臺,設(shè)計了在實際應(yīng)用中的煙葉智能烘烤系統(tǒng)工作流程,為實現(xiàn)智能化烘烤提供了借鑒與參考。
【關(guān)鍵詞】：增量學(xué)習(xí) 智能控制 烘烤系統(tǒng) 加權(quán)支持向量回歸機 電子鼻
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TS43;TP181
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-16
• 1.1 引言8
• 1.2 智能烘烤系統(tǒng)8-10
• 1.3 電子鼻技術(shù)10-11
• 1.4 增量學(xué)習(xí)11-14
• 1.4.1 增量學(xué)習(xí)思想12
• 1.4.2 增量學(xué)習(xí)研究及應(yīng)用現(xiàn)狀12-14
• 1.5 論文的主要內(nèi)容及章節(jié)安排14-16
• 2 智能烘烤系統(tǒng)中的增量學(xué)習(xí)16-28
• 2.1 煙葉智能烘烤系統(tǒng)平臺16-19
• 2.1.1 信息采集與控制系統(tǒng)16-18
• 2.1.2 上位機軟件系統(tǒng)18-19
• 2.2 烘烤工藝簡介19-20
• 2.3 煙葉智能烘烤學(xué)習(xí)模型及其增量學(xué)習(xí)問題20-26
• 2.3.1 煙葉烘烤特征變化特性20-23
• 2.3.2 智能烘烤機器學(xué)習(xí)模型23-25
• 2.3.3 煙葉智能烘烤的增量學(xué)習(xí)問題分析25-26
• 2.4 本章小結(jié)26-28
• 3 基于支持向量回歸機的增量學(xué)習(xí)算法28-42
• 3.1 支持向量回歸機28-37
• 3.1.1 損失函數(shù)和核函數(shù)28-30
• 3.1.2 支持向量回歸機(ε-SVR)30-34
• 3.1.3 加權(quán)支持向量回歸機(WSVR)34-35
• 3.1.4 在線支持向量回歸機(AOSVR)35-37
• 3.2 基于支持向量回歸機的增量學(xué)習(xí)方法37-40
• 3.2.1 SVR增量學(xué)習(xí)模型38-39
• 3.2.2 基于支持向量回歸的增量樣本篩選方法39-40
• 3.3 本章小結(jié)40-42
• 4 基于樣本拓撲的增量加權(quán)支持向量回歸算法42-52
• 4.1 SOINN網(wǎng)絡(luò)42-44
• 4.1.1 競爭學(xué)習(xí)42
• 4.1.2 SOINN網(wǎng)絡(luò)理論與實現(xiàn)42-44
• 4.2 基于樣本拓撲的增量加權(quán)支持向量回歸機算法及其有效性分析44-50
• 4.2.1 一般增量模型缺點分析44-47
• 4.2.2 算法及其有效性驗證47-50
• 4.3 本章小結(jié)50-52
• 5 實驗數(shù)據(jù)及結(jié)果分析52-74
• 5.1 烘烤網(wǎng)絡(luò)模型融合52-54
• 5.1.1 樣本數(shù)據(jù)的采集52
• 5.1.2 烘烤網(wǎng)絡(luò)模型驗證及網(wǎng)絡(luò)加權(quán)融合52-54
• 5.2 增量算法實驗與分析54-70
• 5.2.1 UCI數(shù)據(jù)集實驗與分析54-63
• 5.2.2 實測數(shù)據(jù)集實驗與分析63-70
• 5.3 智能烘烤實現(xiàn)方案70-73
• 5.4 本章小結(jié)73-74
• 6 總結(jié)與展望74-76
• 致謝76-78
• 參考文獻78-84
• 附錄84-86
• A. 作者在攻讀學(xué)位期間發(fā)表的相關(guān)科研論文84
• B. 作者在攻讀學(xué)位期間申請的相關(guān)專利84
• C. 作者在攻讀學(xué)位期間參與的相關(guān)科研項目84
• D. 作者在攻讀學(xué)位期間獲得的獎勵84
• E. 論文中相關(guān)代碼清單84-86

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李金華;;德國“工業(yè)4.0”與“中國制造2025”的比較及啟示[J];中國地質(zhì)大學(xué)學(xué)報(社會科學(xué)版);2015年05期

2 賀正楚;潘紅玉;;德國“工業(yè)4.0”與“中國制造2025”[J];長沙理工大學(xué)學(xué)報(社會科學(xué)版);2015年03期

3 時曉峰;申富饒;賀紅衛(wèi);;基于自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的信息融合技術(shù)[J];兵工自動化;2015年05期

4 豐文安;王建東;陳海燕;;一種快速SVR增量學(xué)習(xí)算法[J];小型微型計算機系統(tǒng);2015年01期

5 張一凡;馮愛民;張正林;;支持向量回歸增量學(xué)習(xí)[J];計算機科學(xué);2014年06期

6 袁維;盤家紅;;煙葉烘烤“老師傅”——劉錄春[J];廣西煙草;2014年05期

7 袁飛云;;基于自組織增量神經(jīng)網(wǎng)絡(luò)的碼書產(chǎn)生方法在圖像分類中的應(yīng)用[J];計算機應(yīng)用;2013年07期

8 段史江;朱紅根;傅宗仁;程小強;宮長榮;;烤煙密集烘烤智能控制技術(shù)研究進展[J];江西農(nóng)業(yè)學(xué)報;2013年02期

9 陳偉根;彭姝迪;王有元;郝邁;;改進SVR及其在傳感陣列模式識別中的應(yīng)用[J];高壓電器;2011年03期

10 鮑安紅;謝守勇;陳，

本文編號：942472