基于机器学习的气体传感器数据处理算法研究

发布时间：2022-04-23 13:59

　　目前,机器嗅觉已经应用到食品安全、医疗卫生、消费电子、环境监测和航天航空等领域,和我们生产生活密不可分。在机器嗅觉技术中气体传感器数据处理非常重要,特别地,利用气体传感器数据进行气体识别和气体浓度预测是机器嗅觉研究的主要目标。在气体识别或气体浓度预测系统中,需要先采集到传感数据,然后采用机器学习方法对这些数据进行处理,从而识别出气体或者得到气体浓度。目前已经有很多机器学习算法用于气体传感器数据处理,但是这些工作往往只使用了一到两种算法进行对比,没有进行多种算法的对比。而在现实的工业应用中,必须尝试并对比多种方法,才能获得在具体应用中最好的方法。论文首先分析对比了多种气体分类方法。特征工程阶段采用Z-score标准化和基于多项式的特征变换等方法进行数据预处理,采用方差选择法和主成分分析法等进行特征提取。然后,实验分析对比了邻近算法、逻辑回归、决策树、支持向量机和人工神经网络这五种分类方法。实验结果表明,人工神经网络在各个批次的气体传感器数据上表现都比较好,说明拥有强大的非线性表达能力的人工神经网络在气体分类中具有鲁棒性。为了进一步的提高气体的分类准确率,接着本文提出了一种人工神经网络结合... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 引言
    1.2 研究背景和研究意义
        1.2.1 研究背景
        1.2.2 研究意义
    1.3 国内外研究现状
    1.4 研究内容与章节安排
        1.4.1 本文研究内容
        1.4.2 本文章节安排
第二章 机器学习用于气体传感器的理论基础
    2.1 数据预处理方法
    2.2 特征提取方法
        2.2.1 过滤法
        2.2.2 主成分分析法
    2.3 机器学习方法
        2.3.1 k-邻近算法
        2.3.2 逻辑回归
        2.3.3 决策树
        2.3.4 支持向量机
        2.3.5 人工神经网络
    2.4 本章小结
第三章 机器学习用于气体分类
    3.1 气体传感器数据介绍
    3.2 各种机器学习算法用于气体分类
        3.2.1 k-邻近算法的实验分析
        3.2.2 逻辑回归的实验分析
        3.2.3 决策树的实验分析
        3.2.4 支持向量机的实验分析
        3.2.5 人工神经网络的实验分析
    3.3 分类算法的比较
    3.4 本章小结
第四章 机器学习方法的结合
    4.1 概述
    4.2 人工神经网络结合逻辑回归
        4.2.1 人工神经网络的输入和输出
        4.2.2 可疑样本的定义
        4.2.3 算法设计
    4.3 实验分析
        4.3.1 整体测试数据实验分析
        4.3.2 分批次数据实验分析
    4.4 本章小结
第五章 机器学习预测气体浓度
    5.1 概述
    5.2 基于机器学习的气体浓度回归
        5.2.1 回归的评价指标
        5.2.2 支持向量机回归
        5.2.3 人工神经网络回归
    5.3 实验分析
        5.3.1 支持向量机回归实验分析
        5.3.2 人工神经网络回归实验分析
        5.3.3 两种回归方法的比较
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]大数据下的机器学习算法综述[J]. 何清,李宁,罗文娟,史忠植.  模式识别与人工智能. 2014(04)
[2]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[3]Study on the Overfitting of the Artificial Neural Network Forecasting Model[J]. 金龙,况雪源,黄海洪,覃志年,王业宏.  Acta Meteorologica Sinica. 2005(02)
[4]机器学习研究[J]. 王珏,石纯一.  广西师范大学学报(自然科学版). 2003(02)

硕士论文
[1]气体传感器阵列数据的智能分析与研究[D]. 辜文祥.电子科技大学 2016
[2]电子鼻/舌系统设计及气—味信息融合技术应用[D]. 陈栋琳.东北电力大学 2015
[3]空气质量监测电子鼻传感器长期漂移研究[D]. 李国瑞.重庆大学 2014



本文编号：3647318