面向環(huán)境感知的機器嗅覺系統(tǒng)：氣體檢測電子鼻及其模式識別技術與應用

目錄
“博士后文庫”序言
前言
第1章 緒論 1
1.1 電子鼻概念 1
1.2 機器嗅覺電子鼻國內(nèi)外研究現(xiàn)狀 3
1.2.1 機器嗅覺研究現(xiàn)狀 3
1.2.2 環(huán)境電子鼻技術現(xiàn)狀 9
1.2.3 低濃度氣體檢測電子鼻技術 14
1.3 本書結構與主要內(nèi)容 20
1.4 本章小結 22
第2章 面向低濃度氣體檢測的電子鼻系統(tǒng)設計 23
2.1 氣體預濃縮裝置 23
2.1.1 濃縮流程方法 23
2.1.2 預濃縮裝置設計 25
2.1.3 基于多元線性回歸的濃縮倍數(shù)計算 26
2.2 儀器系統(tǒng)集成 28
2.2.1 配氣系統(tǒng) 28
2.2.2 腔體結構 29
2.2.3 傳感器陣列 30
2.2.4 數(shù)據(jù)采集模塊 31
2.2.5 氣流采樣模式 31
2.2.6 交互軟件設計 33
2.3 電子鼻測試 35
2.3.1 氣體濃縮實驗 35
2.3.2 濃縮效果與數(shù)據(jù)分析 36
2.3.3 氣體識別實驗 38
2.3.4 分類結果與數(shù)據(jù)分析 39
2.4 本章小結 41
第3章 電子鼻傳感器陣列的響應特征分析 42
3.1 電子鼻傳感器的特性 42
3.1.1 典型氣體傳感器響應 42
3.1.2 傳感器特性參數(shù) 43
3.1.3 傳感器陣列優(yōu)化 44
3.2 電子鼻數(shù)據(jù)預處理 46
3.2.1 數(shù)據(jù)預處理方法 46
3.2.2 基于“濾波-基線校準-歸一化”流程式數(shù)據(jù)處理實測 48
3.3 電子鼻信號特征提取 50
3.3.1 主成分分析法 50
3.3.2 核主成分分析法 51
3.3.3 Fisher 判別分析法 52
3.3.4 K-L 變換法 53
3.4 電子鼻信號特征分析 54
3.4.1 穩(wěn)態(tài)特征 54
3.4.2 靈敏度特征 55
3.4.3 瞬態(tài)響應速率特征 55
3.4.4 指數(shù)滑動平均特征 56
3.5 本章小結 59
第4章 基于增強卷積神經(jīng)網(wǎng)絡的多特征融合嗅覺識別方法 60
4.1 嗅覺模式識別方法 60
4.1.1 BP 神經(jīng)網(wǎng)絡 60
4.1.2 支持向量機 62
4.1.3 魯棒*小二乘回歸 64
4.2 嗅覺卷積神經(jīng)網(wǎng)絡 66
4.2.1 卷積神經(jīng)網(wǎng)絡 66
4.2.2 嗅覺 CNN 的局限性 70
4.3 多特征融合的嗅覺增強卷積神經(jīng)網(wǎng)絡 71
4.3.1 輸入特征變換 71
4.3.2 數(shù)據(jù)增強技術 72
4.3.3 模型增強技術 73
4.3.4 網(wǎng)絡模型架構與訓練方式 75
4.4 基于 ACNN 的電子鼻氣體模式識別測試 76
4.4.1 測試流程 76
4.4.2 數(shù)據(jù)集 77
4.4.3 結果分析 80
4.5 本章小結 84
第5章 基于深度學習的機器嗅覺長期漂移抑制研究 85
5.1 機器嗅覺系統(tǒng)的漂移 85
5.1.1 氣體傳感器的漂移現(xiàn)象 86
5.1.2 漂移問題的數(shù)學描述 87
5.2 機器嗅覺信號漂移抑制方法 88
5.3 基于DA-SVM的電子鼻模式識別方法 89
5.3.1 深度自動編碼機 89
5.3.2 支持向量機 90
5.3.3 DA-SVM方法與流程 91
5.4 基于ENNL的電子鼻模式識別方法 92
5.4.1 集成學習 92
5.4.2 集成神經(jīng)網(wǎng)絡 93
5.4.3 ENNL 方法與流程 94
5.5 基于多模型融合的電子鼻模式識別方法 95
5.5.1 基分類器的選擇 95
5.5.2 多模型融合方法與流程 100
5.6 模型測試評估 101
5.6.1 DA-SVM模型 101
5.6.2 ENNL模型 102
5.6.3 多模型融合方法 103
5.7 本章小結 106
第6章 面向地面污跡識別的移動機器人電子鼻系統(tǒng)研究 107
6.1 機器人嗅覺感知 107
6.1.1 機器人環(huán)境感知技術 107
6.1.2 機器人嗅覺源定位技術 109
6.1.3 地面污跡識別問題 109
6.2 移動機器人系統(tǒng)搭建 110
6.2.1 移動機器人系統(tǒng) 110
6.2.2 地面污跡感知系統(tǒng) 113
6.3 基于移動機器人的視嗅融合感知方法研究 116
6.3.1 多模態(tài)融合方法 116
6.3.2 圖像分支特征提取方法 117
6.3.3 氣體分支特征提取方法 121
6.3.4 視嗅融合感知模型 123
6.4 機器人視嗅融合地面污跡識別應用實驗 129
6.4.1 數(shù)據(jù)集與評價指標 129
6.4.2 數(shù)據(jù)預處理與氣體特征選擇 130
6.4.3 實驗與對比 134
6.5 視嗅融合感知模型快速更新方法 145
6.5.1 增量學習技術 145
6.5.2 增量學習模型 146
6.5.3 模型訓練 149
6.6 本章小結 151
參考文獻 152
編后記 161
掃碼查看本書彩圖