学位论文 > 优秀研究生学位论文题录展示

人工嗅觉系统中的信息处理技术

作　者: 曲建岭
导　师: 王磊
学　校: 西北工业大学
专　业: 精密仪器及机械
关键词: 交叉敏人工嗅觉系统气体传感器阵列信号预处理模式识别前馈神经网络 BP算法自组织特征映射网络模糊C-均值聚类算法遗传算法温湿度补偿 RPE算法局部连接神经网络气体定性辨识气体定量分析
分类号: TP242
类　型: 博士论文
年　份: 2000年
下　载: 391次
引　用: 19次
阅　读: 论文下载

内容摘要

基于气体传感器阵列与模式识别技术的人工嗅觉系统是解决气体传感器交叉敏感特性的重要途径。本文首先综述了人工嗅觉系统的发展历程、现状和存在问题，然后以人工神经网络、模糊逻辑和遗传算法为基础，通过大量实验数据和结果，着重讨论了人工嗅觉系统中新型的信息处理技术，为人工嗅觉系统的设计提供了新的思路和新的方法。本文研究工作主要有以下几个方面： 1．将半导体气体传感器阵列和有教师指导的前馈神经网络模式识别技术相结合，构成单一气体定性识别系统。当利用教师样本对前馈神经网络进行训练后，系统对于未曾见过的气体样本能够准确地识别； 2．比较了不同的信号预处理算法对气体定性识别效果的影响，认为“传感器阵列归一化算法”能够降低或消除气体浓度对系统的影响，从而提高气体定性识别系统的辨识率； 3．将半导体气体传感器阵列和无教师指导的自组织特征映射网络模式识别技术相结合，构成单一气体定性识别系统。自组织特征映射网络通过竞争学习，能够自动对三种气体样本进行聚类，并且对于未曾见过的气体样本也能够准确地识别； 4．提出了一种基于模糊C-均值聚类算法的气体定性识别方法。对于未知模式样本集，给定预期类别数c和模糊加权指数m，通过迭代优化目标函数J（U，V），可以得到各类的最佳凝聚点，从而求得各样本的模糊隶属度，然后利用最大隶属准则，可以判别各样本所属类别。计算结果表明，模糊C-均值聚类算法能够有效地实现不同种类气体模式的划分和聚类，而且可以应用于气体样本的实时检测； 5．利用遗传算法，并借助于反向传播神经网络，对气体定性识别系统中的气体传感器进行筛选，通过评价传感器组合对反向传播网络识别单一气体结果的影响，建立了一种优化传感器阵列的方法； 6．分析了半导体气体传感器温湿度效应对单一气体定量分析精度的影响，提出了两种基于知识的温湿度补偿方法，即模糊修正因子法和人工神经网络法。这两种温湿度补偿方法都可以充分利用现有的经验和知识，具有较高的智能性。系统硬件方面只需要增加温湿度传感器，模糊推理和神经网络可以通过软件（算西北工业大学博士学位论文摘要法）完成，且参数和结构调节方便，实现较为简单； 7．建立了以人工神经网络为基础的混合气体定量分析系统，分析了影响系统测量精度的主要因素，即样本质量和网络的学习精度，从而提出采用数据增强技术提高样本对比度，采用样本筛选技术提高样本质量，并对网络的学习算法进行了改进。实验结果表明，改进后的系统对混合气体的分析精度明显提高； 8．将局部连接神经网络应用于混合气体定量分析系统中，实验证明，局部 H 连接神经网络具有更好的推广能力，在提高系统的分析精度方面具有一定的优B 势，因而适合于解诀诸如混合气体定量分析等一类问题。

全文目录

中文摘要  4-6
英文摘要  6-11
第一章绪论  11-34
  1．1 引言  11-13
  1．2 哺乳动物嗅觉机理  13-14
  1．3 电子鼻的结构和概念  14-16
  1．4 发展中的电子鼻技术  16-26
    1．4．1 电子鼻技术  17-24
      1．4．1．1 气体传感器技术  17-21
      1．4．1．2 信号预处理技术  21-22
      1．4．1．3 模式识别技术  22-24
    1．4．2 电子鼻的应用及发展前景  24-26
  1．5 本文主要研究内容  26-27
  参考文献  27-34
第二章气体实验装置  34-43
  2．1 硬件部分  34-39
    2．1．1 测试容器  34-37
    2．1．2 信号调理  37-38
    2．1．3 A／D转换  38-39
    2．1．4 电源  39
    2．1．5 计算机  39
  2．2 软件部分  39-40
  2．3 实验数据获取  40-41
  参考文献  41-43
第三章单一气体定性辨识  43-83
  3．1 基于前馈神经网络的气体定性识别方法  43-57
    3．1．1 前馈神经网络概述  43-46
    3．1．2 BP学习算法  46-50
    3．1．3 BP网络的设计考虑  50-51
    3．1．4 气体定性实验  51-53
    3．1．5 数据预处理  53
    3．1．6 实验结果  53-57
  3．2 基于自组织特征映射网络的气体定性识别方法  57-62
    3．2．1 Kohonen自组织特征映射网络的结构  57-58
    3．2．2 Kohonen自组织映射算法  58-60
    3．2．3 应用自组织特征映射网络进行气体识别  60-62
  3．3 模糊C-均值聚类算法在气体定性识别中的应用  62-68
    3．3．1 隶属度函数的构造方法  62-63
    3．3．2 模糊判决准则  63-64
    3．3．3 模糊C-均值聚类  64-66
    3．3．4 模糊C-均值聚类算法在气体定性识别中的应用  66-68
  3．4 基于遗传算法的气体传感器阵列优化方法  68-78
    3．4．1 遗传算法  70-75
    3．4．2 利用遗传算法进行气体传感器阵列优化  75-78
      3．4．2．1 准备工作  75-76
      3．4．2．2 遗传算法主流程  76-77
      3．4．2．3 实验结果  77-78
  3．5 本章小结  78-79
  参考文献  79-83
第四章单一气体定量分析  83-97
  4．1 基于BP网络的单一气体定量方法  84-89
    4．1．1 系统原理  84
    4．1．2 实验数据  84-86
    4．1．3 数据预处理  86
    4．1．4 实验结果  86-89
  4．2 气体测量中的温湿度补偿方法  89-95
    4．2．1 基于知识的温湿度补偿原理  89-92
      4．2．1．1 模糊修正因子法  89-90
      4．2．1．2 人工神经网络法  90-92
    4．2．2 实验和结果  92-95
      4．2．2．1 数据采集  92
      4．2．2．2 温湿度修正及结果  92-95
  4．3 本章小结  95
  参考文献  95-97
第五章混合气体定量分析  97-110
  5．1 基于人工神经网络的混合气体定量分析系统工作原理  97-98
  5．2 实验  98-99
  5．3 数据预处理  99
  5．4 实验结果  99-101
  5．5 样本增强与筛选  101-102
    5．5．1 样本增强  101-102
    5．5．2 样本筛选  102
  5．6 网络训练算法改进  102-105
  5．7 改进后系统实验结果  105-107
    5．7．1 基于组合型BP算法的系统实验结果  105-107
    5．7．2 基于RPE算法的系统实验结果  107
  5．8 局部连接神经网络在混合气体定量分析中的应用  107-108
  5．9 本章小结  108-109
  参考文献  109-110
第六章结束语  110-113
图表索引  113-115
作者在攻读博士学位期间发表的论文  115-116
致谢  116

人工嗅觉系统中的信息处理技术

内容摘要

全文目录

相似论文