發(fā)布時間：2022-11-06 08:10

　　在電子鼻系統(tǒng)中,金屬氧化物半導(dǎo)體（Metal Oxide Semiconductor,MOS）型氣體傳感器由于其靈敏度高、響應(yīng)快和成本低等優(yōu)點被廣泛應(yīng)用。但其在應(yīng)用中易受到自身漂移、環(huán)境干擾等因素的影響,導(dǎo)致電子鼻出現(xiàn)精度低、泛化性差等問題。本文針對MOS型電子鼻在應(yīng)用過程中暴露的關(guān)鍵問題,從模式識別與機器學(xué)習(xí)算法的角度開展了理論研究,并在茶葉、酒類品質(zhì)檢測等方面開展了相關(guān)的應(yīng)用研究。（1）當(dāng)電子鼻應(yīng)用于氣體定性分析時,氣體濃度成為了重要干擾因素。因此,本文首先從特征提取角度提出了一種基于直推式遷移學(xué)習(xí)方法（Maximum Independence of the Concentration Features-Iterative Fisher Linear Discriminant,MICF-IFLD）用于抑制氣敏傳感器信號漂移。MICF從數(shù)據(jù)分布角度降低了樣本間由濃度引起的數(shù)據(jù)分布差異,IFLD進(jìn)一步提取傳感器響應(yīng)信號的深層特征,減少了樣本間的類內(nèi)差異同時增加其類間差異。MICF-IFLD提高了樣本分布的一致性,提升了分類模型在氣體定性分析中的準(zhǔn)確性和泛化性。（2）針對傳感器信號漂移問... 

【文章頁數(shù)】：137 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 選題背景與意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 電子鼻關(guān)鍵技術(shù)研究現(xiàn)狀
        1.2.1 MOS型傳感器
        1.2.2 模式識別與機器學(xué)習(xí)方法
        1.2.3 傳感器漂移抑制方法
    1.3 電子鼻在茶葉品質(zhì)檢測中的應(yīng)用
    1.4 研究內(nèi)容及論文結(jié)構(gòu)
        1.4.1 研究內(nèi)容與主要貢獻(xiàn)
        1.4.2 論文結(jié)構(gòu)
2 基于直推式遷移學(xué)習(xí)的MOS型電子鼻信號漂移抑制
    2.1 引言
    2.2 相關(guān)工作
        2.2.1 希爾伯特-施密特獨立性準(zhǔn)則
        2.2.2 費舍爾線性判別
        2.2.3 遷移學(xué)習(xí)概述
        2.2.4 BP神經(jīng)網(wǎng)絡(luò)
    2.3 基于HSIC和FLD的特征提取
        2.3.1 最大獨立于濃度信息的特征(MICF)
        2.3.2 迭代式費舍爾線性判別(IFLD)
    2.4 實驗結(jié)果與討論
        2.4.1 實驗數(shù)據(jù)介紹
        2.4.2 實驗方法
        2.4.3 結(jié)果分析與討論
        2.4.4 泛化性驗證實驗-基于中國商品白酒樣本
    2.5 本章小結(jié)
3 基于半監(jiān)督域自適應(yīng)學(xué)習(xí)的傳感器漂移補償
    3.1 引言
    3.2 長短時記憶網(wǎng)絡(luò)(LSTM)
    3.3 基于半監(jiān)督域自適應(yīng)學(xué)習(xí)的傳感器漂移補償
        3.3.1 基于LSTM的域自適應(yīng)網(wǎng)絡(luò)
        3.3.2 注意力機制的引入
    3.4 實驗結(jié)果與討論
        3.4.1 實驗數(shù)據(jù)介紹
        3.4.2 實驗方法
        3.4.3 結(jié)果分析與討論
    3.5 本章小結(jié)
4 基于多任務(wù)學(xué)習(xí)框架的氣體辨識
    4.1 引言
    4.2 粒子群優(yōu)化算法(PSO)
    4.3 基于LSTM網(wǎng)絡(luò)多任務(wù)學(xué)習(xí)框架(MLSTM)
        4.3.1 多任務(wù)學(xué)習(xí)基本原理
        4.3.2 基于LSTM網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)框架
    4.4 實驗結(jié)果與討論
        4.4.1 實驗數(shù)據(jù)介紹
        4.4.2 實驗方法
        4.4.3 實驗結(jié)果分析
    4.5 多任務(wù)學(xué)習(xí)框架應(yīng)用拓展
        4.5.1 基于MOS型傳感器的實驗室電子鼻
        4.5.2 基于BPNN和CNN的多任務(wù)模型
        4.5.3 實驗樣本與數(shù)據(jù)采集
        4.5.4 實驗結(jié)果分析
    4.6 本章小結(jié)
5 MOS型電子鼻在茶葉品質(zhì)檢測中的應(yīng)用
    5.1 引言
    5.2 基于電子鼻和機器學(xué)習(xí)方法的地域性名茶識別
        5.2.1 實驗數(shù)據(jù)與方法
        5.2.2 實驗結(jié)果與討論(基于樣本集A)
        5.2.3 實驗結(jié)果與討論(基于樣本集B)
        5.2.4 小結(jié)
    5.3 基于電子鼻和機器學(xué)習(xí)方法的茶葉品質(zhì)評估
        5.3.1 實驗樣本與數(shù)據(jù)采集
        5.3.2 數(shù)據(jù)處理方法
        5.3.3 實驗結(jié)果與討論
        5.3.4 小結(jié)
    5.4 基于電子鼻和GC-MS的茶葉揮發(fā)性成分分析
        5.4.1 實驗材料與方法
        5.4.2 實驗結(jié)果與討論
        5.4.3 小結(jié)
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
作者簡歷及在學(xué)研究成果
學(xué)位論文數(shù)據(jù)集



本文編號：3703154