学位论文 > 优秀研究生学位论文题录展示

基于电子鼻的特征提取及模式分类方法研究

作　者: 崔瑶
导　师: 金翠云
学　校: 北京化工大学
专　业: 控制科学与工程
关键词: 电子鼻主成分分析核主成分分析支持向量机粒子群优化算法
分类号: TP181
类　型: 硕士论文
年　份: 2011年
下　载: 75次
引　用: 0次
阅　读: 论文下载

内容摘要

电子鼻作为一种模仿生物嗅觉系统的智能装置能够可靠并且快速的实现对简单或复杂气味的辨别。相对于传统的气相色谱仪等昂贵的气体分析仪器,它操作简单,分析结果可靠,且适合现场检测,因而广泛的应用在食品,农业,医疗,环境检测等各行业。特征提取和模式识别是一个电子鼻系统中的两个关键部分,其中特征提取很大程度上影响了分类模型的可靠性以及对未知样本识别的准确性,模式识别是对特征提取后的信息再进行适当处理,从而获得准确的气体成分和浓度的信息。因此研究先进的特征提取和模式分类方法并将其应用到电子鼻系统中具有较高的理论研究意义和实际应用价值。本文在论述了现有的特征提取和模式识别方法的基础上,基于电子鼻系统,在特征提取方面,研究了传统的主成分分析法,在此基础上进一步研究核主成分分析,并分别用这两种方法对两组不同类型的电子鼻数据进行处理。在模式识别方面,在统计学习理论基础上重点研究了支持向量机理论,并用该方法对不同浓度的CO、CH4、H2、气体组成的三十个气体样本进行定性识别,对不同浓度的CH4气体的三十个气体样本进行定量分析；针对支持向量机核参数的选取问题,为进一步减小定量分析中的平均相对误差,得到参数的最优组合,引入了粒子群优化算法对支持向量机的参数进行优化。最后,研究了核主成分分析与支持向量机结合的算法,对高维的电子鼻数据进行处理并对实验结果进行讨论。通过上述的研究表明：核主成分分析对于处理非线性问题或者样本维数很高的情况下具有良好的效果,能够提取更多有用的信息；支持向量机相比于结构复杂的神经网络方法,用于分类识别过程简洁快速,准确率高,具有良好的分类和泛化能力,而其在定量分析中也有效的降低了相对误差,且通过粒子群优化算法能够对支持向量机参数进行优化进一步提高了电子鼻预测精度；核主成分分析与支持向量机结合能够有效的应用到电子鼻模式识别单元中,对于处理非线性或维数很高的情况具有良好的效果,验证了该方法的可行性。

全文目录

摘要  4-6
ABSTRACT  6-15
第一章绪论  15-23
  1.1 引言  15
  1.2 电子鼻技术及其特征提取和模式识别方法的研究现状  15-21
    1.2.1 电子鼻技术的发展及研究现状  16-18
    1.2.2 特征提取技术的研究现状  18-19
    1.2.3 模式识别技术的研究现状  19-21
  1.3 课题的研究意义和主要研究内容  21-23
    1.3.1 课题的研究意义  21
    1.3.2 课题的主要研究内容  21-23
第二章电子鼻系统中特征提取方法的研究  23-35
  2.1 引言  23
  2.2 主成分分析法  23-26
    2.2.1 主成分分析的原理  23-25
    2.2.2 主成分分析的实现步骤  25-26
  2.3 核主成分分析法(核PCA)  26-30
    2.3.1 核函数  27
    2.3.2 核PCA原理  27-30
  2.4 电子鼻数据特征提取实验及讨论  30-33
  2.5 本章小结  33-35
第三章电子鼻系统中模式识别方法的研究  35-45
  3.1 引言  35
  3.2 统计学习理论  35-39
    3.2.1 经验风险最小化原则  35-36
    3.2.2 统计学习理论  36-39
  3.3 支持向量机(SVM)  39-44
    3.3.1 支持向量分类机  41-42
    3.3.2 支持向量回归机  42-43
    3.3.3 核函数  43-44
  3.4 本章小结  44-45
第四章 SVM在气体定性和定量分析的应用  45-61
  4.1 SVM用于气体定性识别  45-51
    4.1.1 多类支持向量机(Multi-SVM)  46-48
    4.1.2 实验数据及预处理  48-49
    4.1.3 实验验证及结果分析  49-51
  4.2 SVM用于气体定量分析  51-55
    4.2.1 实验数据及预处理  51
    4.2.2 实验及结果分析  51-55
  4.3 基于粒子群参数优化的SVM算法气体定量分析  55-60
    4.3.1 粒子群优化算法  55-56
    4.3.2 群能量守恒粒子群优化算法  56-58
    4.3.3 基于SEC-PSO参数优化的SVM算法  58-60
    4.3.4 实验结果及分析  60
  4.4 本章小结  60-61
第五章 KPCA和SVM结合算法在电子鼻模式分类中的应用  61-65
  5.1 核PCA支持向量机算法  61-62
  5.2 实验验证及分析  62-63
  5.3 本章小结  63-65
第六章结论与展望  65-67
  6.1 结论  65
  6.2 展望  65-67
参考文献  67-69
附录  69-75
致谢  75-77
研究成果及发表的学术论文  77-79
导师和作者简介  79-81
硕士研究生学位论文答辩委员会决议书  81-82

基于电子鼻的特征提取及模式分类方法研究

内容摘要

全文目录

相似论文