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(jī) 電子鼻

【摘要】：增量學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)重要研究方向,隨著大數(shù)據(jù)時(shí)代的到來(lái),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(shí)現(xiàn)對(duì)樣本的約減并從新樣本中學(xué)習(xí)到新的知識(shí),在解決內(nèi)存限制和重復(fù)學(xué)習(xí)問(wèn)題上有獨(dú)特優(yōu)勢(shì),被視為大數(shù)據(jù)問(wèn)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(jué)原理的新興無(wú)損氣味檢測(cè)技術(shù),相比于傳統(tǒng)的化學(xué)、光學(xué)檢測(cè)方法,其具有快速、準(zhǔn)確、客觀,便捷的優(yōu)點(diǎn),是仿生嗅覺(jué)領(lǐng)域中的研究熱點(diǎn)。隨著“工業(yè)4.0”時(shí)代的到來(lái),智能化已成為未來(lái)工業(yè)的主要發(fā)展趨勢(shì)。目前我國(guó)對(duì)工業(yè)烘烤中的智能化研究較少,烘烤過(guò)程主要靠人的經(jīng)驗(yàn)和自動(dòng)化機(jī)器相結(jié)合實(shí)現(xiàn),其與真正的無(wú)人智能自動(dòng)烘烤相差較遠(yuǎn)。本文針對(duì)煙草工業(yè)的重要環(huán)節(jié)——煙葉烘烤中的智能化、自動(dòng)化水平低問(wèn)題,研究了實(shí)現(xiàn)煙葉自動(dòng)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(tái),利用電子鼻、攝像機(jī)等采集設(shè)備,無(wú)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(guò)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(cè)烘烤工藝參數(shù)的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型。同時(shí),針對(duì)不同品質(zhì)的煙葉在烘烤中的復(fù)雜性,研究了應(yīng)對(duì)該情況下的處理方法——增量學(xué)習(xí)。由于煙葉烘烤預(yù)測(cè)網(wǎng)絡(luò)是一類(lèi)回歸預(yù)測(cè)網(wǎng)絡(luò),本文主要研究了基于支持向量回歸機(jī)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(diǎn)及烘烤學(xué)習(xí)樣本增量特點(diǎn)后,提出了使用自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)(SOINN)獲取樣本的拓?fù)涔?jié)點(diǎn)信息,再利用加權(quán)支持向量回歸機(jī)對(duì)數(shù)據(jù)進(jìn)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(diǎn)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(diǎn)。針對(duì)SOINN網(wǎng)絡(luò)在增量批數(shù)據(jù)概念漂移情況下存在的問(wèn)題提出了相應(yīng)的改進(jìn)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(shí)測(cè)數(shù)據(jù)集下測(cè)試并驗(yàn)證了效果。最后立足于已有的智能烘烤控制平臺(tái),設(shè)計(jì)了在實(shí)際應(yīng)用中的煙葉智能烘烤系統(tǒng)工作流程,為實(shí)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(jī) 電子鼻
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：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(tái)16-19
• 2.1.1 信息采集與控制系統(tǒng)16-18
• 2.1.2 上位機(jī)軟件系統(tǒng)18-19
• 2.2 烘烤工藝簡(jiǎn)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(wèn)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(jī)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(wèn)題分析25-26
• 2.4 本章小結(jié)26-28
• 3 基于支持向量回歸機(jī)的增量學(xué)習(xí)算法28-42
• 3.1 支持向量回歸機(jī)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(jī)(ε-SVR)30-34
• 3.1.3 加權(quán)支持向量回歸機(jī)(WSVR)34-35
• 3.1.4 在線支持向量回歸機(jī)(AOSVR)35-37
• 3.2 基于支持向量回歸機(jī)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?fù)涞脑隽考訖?quán)支持向量回歸算法42-52
• 4.1 SOINN網(wǎng)絡(luò)42-44
• 4.1.1 競(jìng)爭(zhēng)學(xué)習(xí)42
• 4.1.2 SOINN網(wǎng)絡(luò)理論與實(shí)現(xiàn)42-44
• 4.2 基于樣本拓?fù)涞脑隽考訖?quán)支持向量回歸機(jī)算法及其有效性分析44-50
• 4.2.1 一般增量模型缺點(diǎn)分析44-47
• 4.2.2 算法及其有效性驗(yàn)證47-50
• 4.3 本章小結(jié)50-52
• 5 實(shí)驗(yàn)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(yàn)證及網(wǎng)絡(luò)加權(quán)融合52-54
• 5.2 增量算法實(shí)驗(yàn)與分析54-70
• 5.2.1 UCI數(shù)據(jù)集實(shí)驗(yàn)與分析54-63
• 5.2.2 實(shí)測(cè)數(shù)據(jù)集實(shí)驗(yàn)與分析63-70
• 5.3 智能烘烤實(shí)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(xiàn)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(qǐng)的相關(guān)專(zhuān)利84
• C. 作者在攻讀學(xué)位期間參與的相關(guān)科研項(xiàng)目84
• D. 作者在攻讀學(xué)位期間獲得的獎(jiǎng)勵(lì)84
• E. 論文中相關(guān)代碼清單84-86

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

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

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

3 時(shí)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(dòng)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(jì)算機(jī)系統(tǒng);2015年01期

5 張一凡;馮愛(ài)民;張正林;;支持向量回歸增量學(xué)習(xí)[J];計(jì)算機(jī)科學(xué);2014年06期

6 袁維;盤(pán)家紅;;煙葉烘烤“老師傅”——?jiǎng)洿篬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(shū)產(chǎn)生方法在圖像分類(lèi)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2013年07期

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

9 陳偉根;彭姝迪;王有元;郝邁;;改進(jìn)SVR及其在傳感陣列模式識(shí)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(hào)：942472