增量学习在电子鼻智能烘烤系统中的应用研究

发布时间：2017-09-29 14:19

  本文关键词：增量学习在电子鼻智能烘烤系统中的应用研究

  更多相关文章： 增量学习 智能控制 烘烤系统 加权支持向量回归机 电子鼻

【摘要】：增量学习作为机器学习的一个重要研究方向,随着大数据时代的到来,由于其不依赖全部样本,只利用和保存样本特征、概念或代表性的样本,能有效实现对样本的约减并从新样本中学习到新的知识,在解决内存限制和重复学习问题上有独特优势,被视为大数据问题的一种重要且有效的解决办法。气味是物质的重要特征之一,电子鼻技术是一种基于仿生嗅觉原理的新兴无损气味检测技术,相比于传统的化学、光学检测方法,其具有快速、准确、客观,便捷的优点,是仿生嗅觉领域中的研究热点。随着“工业4.0”时代的到来,智能化已成为未来工业的主要发展趋势。目前我国对工业烘烤中的智能化研究较少,烘烤过程主要靠人的经验和自动化机器相结合实现,其与真正的无人智能自动烘烤相差较远。本文针对烟草工业的重要环节——烟叶烘烤中的智能化、自动化水平低问题,研究了实现烟叶自动智能烘烤的方法。立足于自主研发的烘烤信息化操控平台,利用电子鼻、摄像机等采集设备,无损收集了烟叶的气味,图像和水分信息,探讨了烟叶特征在烘烤过程中的变化规律,并结合收集到的烘烤师调控烘烤工艺曲线信息,建立了由烟叶特征信息预测烘烤工艺参数的机器学习网络模型。同时,针对不同品质的烟叶在烘烤中的复杂性,研究了应对该情况下的处理方法——增量学习。由于烟叶烘烤预测网络是一类回归预测网络,本文主要研究了基于支持向量回归机的增量学习方法。在分析了现有基于支持向量的增量算法缺点及烘烤学习样本增量特点后,提出了使用自组织竞争网络(SOINN)获取样本的拓扑节点信息,再利用加权支持向量回归机对数据进行加权训练的方法。该方法能较好地保留原始数据的特点并减弱一般基于支持向量的增量模型在增量学习中的缺点。针对SOINN网络在增量批数据概念漂移情况下存在的问题提出了相应的改进处理方法。算法在人工sin函数数据集、UCI数据集及实测数据集下测试并验证了效果。最后立足于已有的智能烘烤控制平台,设计了在实际应用中的烟叶智能烘烤系统工作流程,为实现智能化烘烤提供了借鉴与参考。
【关键词】：增量学习 智能控制 烘烤系统 加权支持向量回归机 电子鼻
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TS43;TP181
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-16
• 1.1 引言8
• 1.2 智能烘烤系统8-10
• 1.3 电子鼻技术10-11
• 1.4 增量学习11-14
• 1.4.1 增量学习思想12
• 1.4.2 增量学习研究及应用现状12-14
• 1.5 论文的主要内容及章节安排14-16
• 2 智能烘烤系统中的增量学习16-28
• 2.1 烟叶智能烘烤系统平台16-19
• 2.1.1 信息采集与控制系统16-18
• 2.1.2 上位机软件系统18-19
• 2.2 烘烤工艺简介19-20
• 2.3 烟叶智能烘烤学习模型及其增量学习问题20-26
• 2.3.1 烟叶烘烤特征变化特性20-23
• 2.3.2 智能烘烤机器学习模型23-25
• 2.3.3 烟叶智能烘烤的增量学习问题分析25-26
• 2.4 本章小结26-28
• 3 基于支持向量回归机的增量学习算法28-42
• 3.1 支持向量回归机28-37
• 3.1.1 损失函数和核函数28-30
• 3.1.2 支持向量回归机(ε-SVR)30-34
• 3.1.3 加权支持向量回归机(WSVR)34-35
• 3.1.4 在线支持向量回归机(AOSVR)35-37
• 3.2 基于支持向量回归机的增量学习方法37-40
• 3.2.1 SVR增量学习模型38-39
• 3.2.2 基于支持向量回归的增量样本筛选方法39-40
• 3.3 本章小结40-42
• 4 基于样本拓扑的增量加权支持向量回归算法42-52
• 4.1 SOINN网络42-44
• 4.1.1 竞争学习42
• 4.1.2 SOINN网络理论与实现42-44
• 4.2 基于样本拓扑的增量加权支持向量回归机算法及其有效性分析44-50
• 4.2.1 一般增量模型缺点分析44-47
• 4.2.2 算法及其有效性验证47-50
• 4.3 本章小结50-52
• 5 实验数据及结果分析52-74
• 5.1 烘烤网络模型融合52-54
• 5.1.1 样本数据的采集52
• 5.1.2 烘烤网络模型验证及网络加权融合52-54
• 5.2 增量算法实验与分析54-70
• 5.2.1 UCI数据集实验与分析54-63
• 5.2.2 实测数据集实验与分析63-70
• 5.3 智能烘烤实现方案70-73
• 5.4 本章小结73-74
• 6 总结与展望74-76
• 致谢76-78
• 参考文献78-84
• 附录84-86
• A. 作者在攻读学位期间发表的相关科研论文84
• B. 作者在攻读学位期间申请的相关专利84
• C. 作者在攻读学位期间参与的相关科研项目84
• D. 作者在攻读学位期间获得的奖励84
• E. 论文中相关代码清单84-86

【参考文献】

中国期刊全文数据库 前10条

1 李金华;;德国“工业4.0”与“中国制造2025”的比较及启示[J];中国地质大学学报(社会科学版);2015年05期

2 贺正楚;潘红玉;;德国“工业4.0”与“中国制造2025”[J];长沙理工大学学报(社会科学版);2015年03期

3 时晓峰;申富饶;贺红卫;;基于自组织增量学习神经网络的信息融合技术[J];兵工自动化;2015年05期

4 丰文安;王建东;陈海燕;;一种快速SVR增量学习算法[J];小型微型计算机系统;2015年01期

5 张一凡;冯爱民;张正林;;支持向量回归增量学习[J];计算机科学;2014年06期

6 袁维;盘家红;;烟叶烘烤“老师傅”——刘录春[J];广西烟草;2014年05期

7 袁飞云;;基于自组织增量神经网络的码书产生方法在图像分类中的应用[J];计算机应用;2013年07期

8 段史江;朱红根;傅宗仁;程小强;宫长荣;;烤烟密集烘烤智能控制技术研究进展[J];江西农业学报;2013年02期

9 陈伟根;彭姝迪;王有元;郝迈;;改进SVR及其在传感阵列模式识别中的应用[J];高压电器;2011年03期

10 鲍安红;谢守勇;陈，

本文编号：942472