工業(yè)園區(qū)空氣檢測主要是通過一系列由敏感膜材料組成的化學氣體傳感器陣列來采集氣體數(shù)據(jù),再經(jīng)過電子電路將復雜的時間序列信號傳輸?shù)饺斯ぶ悄芩惴ǖ能浖到y(tǒng)中,基于手工設計的特征選擇方法如隨機森林（RF）,主成分分析（PCA）,經(jīng)由一些機器學習算法如支持向量機（SVM）,對特征進行訓練,最后使用訓練后的模型來識別未知氣體的類別和濃度。傳統(tǒng)氣體檢測設備的敏感膜材料因氣體分子吸附而震動產(chǎn)生一種復雜的時間序列信號,在識別過程中,敏感膜材料的退化、外界的環(huán)境因素、氣體的種類和濃度都會影響信號的產(chǎn)生,導致傳感器漂移現(xiàn)象嚴重;而特征提取方法上也有人為的主觀因素影響無法做到精確和全面;同時也發(fā)現(xiàn)使用不同的算法直接關系到氣體檢測結果的準確率。本文從傳感器改造、特征提取和氣體檢測算法這三個關鍵層面進行技術研究,對傳統(tǒng)工業(yè)氣體檢測系統(tǒng)提出了改進方案。方案中設計使用紅外光學氣體檢測傳感器陣列設備,是基于不同氣體對紅外波段的電磁波特征吸收原理制成的一種物理式分析儀器,針對不同種類的工業(yè)氣體,只需要更換光學濾光片組件模塊和調(diào)整程序參數(shù)即可。使用紅外光學氣體檢測傳感器陣列設備,可以提高收集氣體樣本數(shù)據(jù)的原始表征;其次引入深... 

【文章來源】：上海應用技術大學上海市

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 課題背景
        1.1.2 意義和目的
    1.2 工業(yè)氣體檢測設備研究現(xiàn)狀和趨勢
    1.3 研究的主要內(nèi)容和論文結構
        1.3.1 本研究的核心內(nèi)容
        1.3.2 論文結構
    1.4 文章出現(xiàn)的簡稱符號
第2章 傳統(tǒng)工業(yè)氣體檢測設備關鍵技術
    2.1 引言
    2.2 電子鼻
    2.3 特征提取與選擇
        2.3.1 手工設計特征
        2.3.2 離散小波變換
        2.3.3 主成分分析（PCA）
    2.4 基于工業(yè)氣體檢測分類算法
        2.4.1 支持向量機
        2.4.2 最鄰近結點算法
    2.5 本章小結
第3章 紅外光學氣體檢測設備設計
    3.1 引言
        3.1.1 紅外氣體檢測概念
        3.1.2 紅外氣體檢測原理
        3.1.3 紅外氣體檢測模型
    3.2 紅外氣體檢測設備設計
        3.2.1 紅外氣體檢測程序設計
        3.2.2 紅外氣體檢測傳感器設計
        3.2.3 設備軟件設計
    3.3 采集數(shù)據(jù)原始表征對比
        3.3.1 氣敏傳感器陣列采集數(shù)據(jù)
        3.3.2 紅外傳感器陣列采集數(shù)據(jù)
    3.4 本章小結
第4章 基于深度學習的工業(yè)氣體檢測
    4.1 深度學習的理論基礎
    4.2 深度學習模型的原理
        4.2.1 DBN深度信念網(wǎng)絡
        4.2.2 CNN卷積神經(jīng)網(wǎng)絡
        4.2.3 RNN遞歸神經(jīng)網(wǎng)絡
        4.2.4 CNN和 RNN的比較
    4.3 數(shù)據(jù)預處理過程
    4.4 自動完成提取特征變量
    4.5 深度學習工業(yè)氣體檢測設計
    4.6 實驗設計
    4.7 本章小結
第5章 工業(yè)氣體檢測設備傳感器漂移補償研究
    5.1 實驗數(shù)據(jù)
    5.2 方案和結果
    5.3 調(diào)參優(yōu)化
    5.4 在實際應用中的優(yōu)勢
    5.5 本章小結
第6章 結論與展望
    6.1 論文結論
    6.2 論文在以下方面有所改進和優(yōu)化
    6.3 論文展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文


【參考文獻】：
期刊論文
[1]借鑒洛杉磯煙霧治理經(jīng)驗 探討我國綠色治霾路徑[J]. 姬學斌.  科技展望. 2017(06)
[2]層次分析法的改進及其在環(huán)境空氣質(zhì)量評價中的應用[J]. 楊帆,楊士林.  環(huán)境工程. 2016(S1)
[3]基于模糊數(shù)學法的京津冀地區(qū)空氣質(zhì)量評價[J]. 劉明婷,朱家明.  黑河學院學報. 2016(03)
[4]一種SVM多分類算法[J]. 孫少乙,黃志波.  微型機與應用. 2016(08)
[5]歐美發(fā)達國家大氣污染控制經(jīng)驗[J]. 薛志鋼,郝吉明,陳復,柴發(fā)合.  杭州(周刊). 2016(05)
[6]環(huán)境空氣質(zhì)量指數(shù)計算方法與分級方案比較[J]. 潘本鋒,李莉娜.  中國環(huán)境監(jiān)測. 2016(01)
[7]基于SVM多類分類器的字符識別[J]. 李雪花,許姜滌宇,于安軍,杜宇人.  信息技術. 2016(01)
[8]近十幾年上�？諝赓|(zhì)量變化動態(tài)及主要污染指標間的相關性分析[J]. 王壽兵,汪遠安,馬小雪.  復旦學報(自然科學版). 2015(02)
[9]基于逐步回歸的空氣質(zhì)量影響因素分析——以呼和浩特市區(qū)為例[J]. 姜新華,劉霞,薛河儒,張存厚.  內(nèi)蒙古農(nóng)業(yè)大學學報(自然科學版). 2015(02)
[10]KNN數(shù)據(jù)挖掘算法在北京地區(qū)霾等級預報中的應用[J]. 熊亞軍,廖曉農(nóng),李梓銘,張小玲,孫兆彬,趙秀娟,趙普生,馬小會,蒲維維.  氣象. 2015(01)

博士論文
[1]北京大氣污染物時空變化規(guī)律及評價預測模型研究[D]. 劉杰.北京科技大學 2015

碩士論文
[1]基于機器學習的城市環(huán)境空氣質(zhì)量評價研究[D]. 趙楠.上海應用技術大學 2017
[2]基于深度學習的工業(yè)氣體識別研究[D]. 李金宵.上海應用技術大學 2017
[3]基于層次分析法的地下水超采區(qū)劃分及壓采效果評價[D]. 趙敏.太原理工大學 2016
[4]基于多元統(tǒng)計和智能算法的上海市空氣質(zhì)量指數(shù)評價分析[D]. 周家?guī)?蘭州大學 2016
[5]有毒有害氣體傳感器陣列檢測及數(shù)據(jù)融合研究[D]. 王婷.哈爾濱理工大學 2015
[6]基于機器學習的P2P網(wǎng)絡流分類研究[D]. 丁里.江南大學 2015
[7]空氣質(zhì)量監(jiān)測系統(tǒng)中多分類器的集成技術研究[D]. 黨麗君.重慶大學 2014
[8]基于深度學習的氣體識別研究[D]. 胡曉楠.電子科技大學 2014
[9]石家莊市“十一五”期間環(huán)境空氣質(zhì)量變化趨勢分析及預測研究[D]. 張良.河北科技大學 2013



本文編號：3092137