發(fā)布時間：2018-06-24 02:28

  本文選題：機器嗅覺 + 氣體識別　； 參考：《上海應用技術大學》2017年碩士論文

【摘要】：由于信息技術的迅猛發(fā)展,在安全檢查、工業(yè)生產等很多的領域當中都出現(xiàn)了機器學習的影子。許多相關的技術都隨之產生,為人類的生活帶來了方便。電子鼻可用來檢測鑒別和分析各種各樣氣味的氣體,其作為機器嗅覺的典型應用,已經滲入到各行各業(yè)之中,在安全檢查、工業(yè)生產、環(huán)境保護、醫(yī)療診斷等領域中,氣體識別系統(tǒng)應用尤其廣泛。氣體識別系統(tǒng)采用一種較為復雜的時間序列信號,這種信號由敏感膜材料因被氣體分子吸附而震動所出現(xiàn)。敏感膜材料、外界的環(huán)境因素、包括氣體的種類和密度都會影響到這種信號的產生。因此,人們通常通過手工設計特征,并在原有的基礎上結合支持向量機等方法來解決氣體數(shù)據(jù)波形復雜、分析困難等問題。在識別的過中,傳感器的響應值會逐漸下降,數(shù)據(jù)整體的分布也會隨之產生變化,這就導致對氣體數(shù)據(jù)的分析變得難上加難,準確率也有所降低。這種使得氣體數(shù)據(jù)分析變難,準確率下降的現(xiàn)象叫做傳感器漂移。人們?yōu)榱讼ミ@種現(xiàn)象采用了很多信號處理領域的方法。本文引入了深度學習的方法來解決傳統(tǒng)氣體識別過程中特征提取方法的不足,利用深度學習網絡的特點以及深度學習過程中無監(jiān)督學習的特征來自動地獲取更能反映原始氣體數(shù)據(jù)本質的特征,從而解決傳統(tǒng)方法中特征提取的不足,以及對傳統(tǒng)方法中不能有效解決的無標注氣體識別問題。其次本論文驗證了在氣體數(shù)據(jù)明顯漂移的情況下,利用深度學習技術可以提高氣體識別的準確率。這是因為利用此方法可以得到比起初輸入的數(shù)據(jù)更加完善、準確的數(shù)據(jù)。這對漂移補償問題提供了更具可行性的解決方案,也對在工業(yè)生產中檢測有毒氣體、未知氣體識別提供了參考。
[Abstract]:With the rapid development of information technology, machine learning appears in many fields, such as safety inspection, industrial production and so on. Many related technologies have followed, bringing convenience to human life. Electronic nose can be used to detect and analyze various odour gases. As a typical application of machine smell, electronic nose has penetrated into all walks of life, in the fields of safety inspection, industrial production, environmental protection, medical diagnosis, etc. Gas identification systems are particularly widely used. The gas recognition system uses a complex time series signal, which is vibrated by the sensitive membrane material adsorbed by gas molecules. Sensitive membrane materials, external environmental factors, including the type and density of gases, will affect the production of this signal. Therefore, people usually design features by hand, and combine the support vector machine and other methods to solve the problem of complex gas data waveform and difficult analysis. In the process of recognition, the response value of the sensor will decrease gradually, and the distribution of the whole data will change, which makes the analysis of gas data more difficult, and the accuracy is also reduced. This makes it difficult to analyze gas data and reduces accuracy, called sensor drift. In order to eliminate this phenomenon, many methods in the field of signal processing have been adopted. In this paper, the method of depth learning is introduced to solve the shortcoming of the traditional method of feature extraction in the process of gas recognition. The features of the deep learning network and the unsupervised learning in the process of the deep learning are used to automatically acquire the features which can reflect the essence of the original gas data, thus solving the shortcoming of feature extraction in the traditional methods. And the problem of unlabeled gas identification which can not be effectively solved by traditional methods. Secondly, this paper verifies that the accuracy of gas recognition can be improved by using depth learning technology when the gas data drift obviously. This is because using this method can get more perfect and accurate data than the original input data. This provides a more feasible solution to the drift compensation problem, and also provides a reference for the detection of toxic gases and the identification of unknown gases in industrial production.
【學位授予單位】：上海應用技術大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP181

【相似文獻】

相關期刊論文 前10條

1 李紅美;;論網絡教育環(huán)境下學習者學習動機的激發(fā)[J];繼續(xù)教育;2006年11期

2 李秀英;;網絡環(huán)境下學生學習的特點[J];教師;2009年04期

3 夏定海,黃智英;教會學習 學會學習 終身學習[J];發(fā)明與革新;2000年06期

4 黃啟兵;汪芳;;論網絡時代學習與創(chuàng)新的統(tǒng)一[J];教學研究;2002年03期

5 陳相安;把檔案部門建成學習型組織[J];中國檔案;2003年09期

6 顧新,蔡兵,李久平;學習與學習型社會[J];軟科學;2004年02期

7 鄭軍;試論編輯的學習特征[J];中國編輯;2005年06期

8 邱曉榮,孔一童;試論網絡環(huán)境中的合作學習[J];當代教育論壇;2005年02期

9 冷平,王仁蓉,刁永鋒;網絡學習的成功要素探析[J];教育信息化;2005年03期

10 張建光;朱秀娥;張笑雙;;網絡學習社區(qū)的特征和構建[J];中國教育技術裝備;2006年03期

相關會議論文 前10條

1 韓文;;讓合作學習在逆境中重生[A];中華教育理論與實踐科研論文成果選編（第2卷）[C];2010年

2 呂啟春;;淺談小學數(shù)學中的小組合作學習[A];2014年1月現(xiàn)代教育教學探索學術交流會論文集[C];2014年

3 杜俊娟;;用學習動機培養(yǎng)策略課題的學習對體育教師進行研究性學習培養(yǎng)的實驗研究[A];第七屆全國體育科學大會論文摘要匯編（一）[C];2004年

4 瞿春波;;淺議合作學習之誤區(qū)[A];校園文學編輯部寫作教學年會論文集[C];2007年

5 時龍;;把握分析學情是改進教學和促進學習的基礎[A];2012·學術前沿論叢——科學發(fā)展：深化改革與改善民生（下）[C];2012年

6 韋彩紅;;如何組織學生共享學習成果[A];中華教育理論與實踐科研論文成果選編（第2卷）[C];2010年

7 格保耿;;培養(yǎng)學生學習物理的興趣[A];2014年5月現(xiàn)代教育教學探索學術交流會論文集[C];2014年

8 鈕榮榮;;關于小學數(shù)學教學中小組合作學習的幾點思考[A];2014年6月現(xiàn)代教育教學探索學術交流會論文集[C];2014年

9 陳妙;;讓數(shù)學課堂效率得到真正的提高——淺談新課改下學生學習興趣的培養(yǎng)[A];中華教育理論與實踐科研論文成果選編（第3卷）[C];2010年

10 黃春妙;;淺談語文課堂合作學習的有效把握[A];中華教育理論與實踐科研論文成果選編（第3卷）[C];2010年

相關重要報紙文章 前10條

1 農行浙江東陽支行 吳新國 周龍飛;銀行如何創(chuàng)建學習型組織[N];上海金融報;2003年

2 西北師范大學 李瑾瑜;校長：如何引領和促進教師學習[N];中國教育報;2008年

3 永壽縣店頭中學 劉俊鋒;大力提倡合作學習 全面促進有效教學[N];咸陽日報;2009年

4 本報評論員;要在真學習上下功夫[N];酒泉日報;2009年

5 本報記者 李天然;學習應該是一種終身行為[N];大連日報;2010年

6 劉繼芳;淺議建設學習型黨組織中的“學習”內涵[N];伊犁日報(漢);2010年

7 哈爾濱市第五醫(yī)院 蒙碩;淺談醫(yī)院創(chuàng)建學習型黨組織[N];黑龍江日報;2010年

8 翟愛霞;淺談如何深入推進學習型黨組織建設[N];太行日報;2011年

9 李振 上海交通大學國際與公共事務學院;制度變遷中的制度學習[N];中國社會科學報;2012年

10 重慶市教育評估院院長、中國高等教育學會學習科學研究分會常務副會長 龔春燕;實施新學習，，建設學習型社會[N];中國教育報;2013年

相關博士學位論文 前10條

1 徐峰;基于社會網絡的大學生學習網絡結構研究[D];江西財經大學;2014年

2 付亦寧;本科生深層學習過程及其教學策略研究[D];蘇州大學;2014年

3 馮子勇;基于深度學習的圖像特征學習和分類方法的研究及應用[D];華南理工大學;2016年

4 王星;關系分類模型的學習界限與應用[D];哈爾濱工業(yè)大學;2015年

5 潘劍寒;基于多潛在空間的遷移學習算法研究[D];合肥工業(yè)大學;2016年

6 楊春;反饋類型對大學生學習成績的影響：自我調節(jié)學習的中介作用[D];東北師范大學;2016年

7 王浩宇;資源整合、創(chuàng)業(yè)學習與新創(chuàng)企業(yè)創(chuàng)新的關系研究[D];吉林大學;2017年

8 田青;有序學習及在圖像分析中的應用研究[D];南京航空航天大學;2016年

9 鄒朋成;有監(jiān)督的相似性度量學習研究與應用[D];南京航空航天大學;2016年

10 馬相春;基于大數(shù)據(jù)的初中數(shù)學智慧學習系統(tǒng)模型研究[D];東北師范大學;2017年

相關碩士學位論文 前10條

1 李金宵;基于深度學習的工業(yè)氣體識別研究[D];上海應用技術大學;2017年

2 張京京;電子書包環(huán)境支持探究性學習的模型研究[D];東北師范大學;2017年

3 付曉麗;基于問題的深度學習研究[D];河南師范大學;2017年

4 王以宣;感知教師支持、基本心理需要滿足與初中學生英語學習倦怠的關系[D];上海師范大學;2015年

5 李榮敬;不同情緒狀態(tài)對學習判斷的影響[D];河北師范大學;2015年

6 李蘭翠;M00C學習平臺的應用研究[D];上海師范大學;2015年

7 孫航;農民工隨遷子女學習生態(tài)研究[D];上海師范大學;2015年

8 左揚揚;碎片化時代下企業(yè)微課程設計與應用[D];上海師范大學;2015年

9 戚政霞;基于翻轉課堂的小學語文教學設計研究[D];上海師范大學;2015年

10 蘇治芳;小學中高年級“微課題式”語文學習的實踐研究[D];上海師范大學;2015年

本文編號：2059573