MOS型电子鼻关键问题研究及其应用
发布时间：2022-11-06 08:10
在电子鼻系统中,金属氧化物半导体（Metal Oxide Semiconductor,MOS）型气体传感器由于其灵敏度高、响应快和成本低等优点被广泛应用。但其在应用中易受到自身漂移、环境干扰等因素的影响,导致电子鼻出现精度低、泛化性差等问题。本文针对MOS型电子鼻在应用过程中暴露的关键问题,从模式识别与机器学习算法的角度开展了理论研究,并在茶叶、酒类品质检测等方面开展了相关的应用研究。（1）当电子鼻应用于气体定性分析时,气体浓度成为了重要干扰因素。因此,本文首先从特征提取角度提出了一种基于直推式迁移学习方法（Maximum Independence of the Concentration Features-Iterative Fisher Linear Discriminant,MICF-IFLD）用于抑制气敏传感器信号漂移。MICF从数据分布角度降低了样本间由浓度引起的数据分布差异,IFLD进一步提取传感器响应信号的深层特征,减少了样本间的类内差异同时增加其类间差异。MICF-IFLD提高了样本分布的一致性,提升了分类模型在气体定性分析中的准确性和泛化性。（2）针对传感器信号漂移问...
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景与意义
1.1.1 选题背景
1.1.2 研究意义
1.2 电子鼻关键技术研究现状
1.2.1 MOS型传感器
1.2.2 模式识别与机器学习方法
1.2.3 传感器漂移抑制方法
1.3 电子鼻在茶叶品质检测中的应用
1.4 研究内容及论文结构
1.4.1 研究内容与主要贡献
1.4.2 论文结构
2 基于直推式迁移学习的MOS型电子鼻信号漂移抑制
2.1 引言
2.2 相关工作
2.2.1 希尔伯特-施密特独立性准则
2.2.2 费舍尔线性判别
2.2.3 迁移学习概述
2.2.4 BP神经网络
2.3 基于HSIC和FLD的特征提取
2.3.1 最大独立于浓度信息的特征(MICF)
2.3.2 迭代式费舍尔线性判别(IFLD)
2.4 实验结果与讨论
2.4.1 实验数据介绍
2.4.2 实验方法
2.4.3 结果分析与讨论
2.4.4 泛化性验证实验-基于中国商品白酒样本
2.5 本章小结
3 基于半监督域自适应学习的传感器漂移补偿
3.1 引言
3.2 长短时记忆网络(LSTM)
3.3 基于半监督域自适应学习的传感器漂移补偿
3.3.1 基于LSTM的域自适应网络
3.3.2 注意力机制的引入
3.4 实验结果与讨论
3.4.1 实验数据介绍
3.4.2 实验方法
3.4.3 结果分析与讨论
3.5 本章小结
4 基于多任务学习框架的气体辨识
4.1 引言
4.2 粒子群优化算法(PSO)
4.3 基于LSTM网络多任务学习框架(MLSTM)
4.3.1 多任务学习基本原理
4.3.2 基于LSTM网络的多任务学习框架
4.4 实验结果与讨论
4.4.1 实验数据介绍
4.4.2 实验方法
4.4.3 实验结果分析
4.5 多任务学习框架应用拓展
4.5.1 基于MOS型传感器的实验室电子鼻
4.5.2 基于BPNN和CNN的多任务模型
4.5.3 实验样本与数据采集
4.5.4 实验结果分析
4.6 本章小结
5 MOS型电子鼻在茶叶品质检测中的应用
5.1 引言
5.2 基于电子鼻和机器学习方法的地域性名茶识别
5.2.1 实验数据与方法
5.2.2 实验结果与讨论(基于样本集A)
5.2.3 实验结果与讨论(基于样本集B)
5.2.4 小结
5.3 基于电子鼻和机器学习方法的茶叶品质评估
5.3.1 实验样本与数据采集
5.3.2 数据处理方法
5.3.3 实验结果与讨论
5.3.4 小结
5.4 基于电子鼻和GC-MS的茶叶挥发性成分分析
5.4.1 实验材料与方法
5.4.2 实验结果与讨论
5.4.3 小结
5.5 本章小结
6 总结与展望
6.1 工作总结
6.2 研究展望
参考文献
作者简历及在学研究成果
学位论文数据集
本文编号：3703154
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景与意义
1.1.1 选题背景
1.1.2 研究意义
1.2 电子鼻关键技术研究现状
1.2.1 MOS型传感器
1.2.2 模式识别与机器学习方法
1.2.3 传感器漂移抑制方法
1.3 电子鼻在茶叶品质检测中的应用
1.4 研究内容及论文结构
1.4.1 研究内容与主要贡献
1.4.2 论文结构
2 基于直推式迁移学习的MOS型电子鼻信号漂移抑制
2.1 引言
2.2 相关工作
2.2.1 希尔伯特-施密特独立性准则
2.2.2 费舍尔线性判别
2.2.3 迁移学习概述
2.2.4 BP神经网络
2.3 基于HSIC和FLD的特征提取
2.3.1 最大独立于浓度信息的特征(MICF)
2.3.2 迭代式费舍尔线性判别(IFLD)
2.4 实验结果与讨论
2.4.1 实验数据介绍
2.4.2 实验方法
2.4.3 结果分析与讨论
2.4.4 泛化性验证实验-基于中国商品白酒样本
2.5 本章小结
3 基于半监督域自适应学习的传感器漂移补偿
3.1 引言
3.2 长短时记忆网络(LSTM)
3.3 基于半监督域自适应学习的传感器漂移补偿
3.3.1 基于LSTM的域自适应网络
3.3.2 注意力机制的引入
3.4 实验结果与讨论
3.4.1 实验数据介绍
3.4.2 实验方法
3.4.3 结果分析与讨论
3.5 本章小结
4 基于多任务学习框架的气体辨识
4.1 引言
4.2 粒子群优化算法(PSO)
4.3 基于LSTM网络多任务学习框架(MLSTM)
4.3.1 多任务学习基本原理
4.3.2 基于LSTM网络的多任务学习框架
4.4 实验结果与讨论
4.4.1 实验数据介绍
4.4.2 实验方法
4.4.3 实验结果分析
4.5 多任务学习框架应用拓展
4.5.1 基于MOS型传感器的实验室电子鼻
4.5.2 基于BPNN和CNN的多任务模型
4.5.3 实验样本与数据采集
4.5.4 实验结果分析
4.6 本章小结
5 MOS型电子鼻在茶叶品质检测中的应用
5.1 引言
5.2 基于电子鼻和机器学习方法的地域性名茶识别
5.2.1 实验数据与方法
5.2.2 实验结果与讨论(基于样本集A)
5.2.3 实验结果与讨论(基于样本集B)
5.2.4 小结
5.3 基于电子鼻和机器学习方法的茶叶品质评估
5.3.1 实验样本与数据采集
5.3.2 数据处理方法
5.3.3 实验结果与讨论
5.3.4 小结
5.4 基于电子鼻和GC-MS的茶叶挥发性成分分析
5.4.1 实验材料与方法
5.4.2 实验结果与讨论
5.4.3 小结
5.5 本章小结
6 总结与展望
6.1 工作总结
6.2 研究展望
参考文献
作者简历及在学研究成果
学位论文数据集
本文编号：3703154
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3703154.html
