电子鼻信号分析关键算法研究

第1章引言

1.1研究背景

1.2电子鼻工作原理简介

1.3研究方向与意义

1.4研究内容

1.4.1基于电子鼻的呼气分析系统设计

1.4.2针对相关特征的迭代特征删除

1.4.3设备差异和时变漂移补偿

1.5结构安排

第2章基于电子鼻的呼气分析系统

2.1相关工作

2.1.1疾病与呼气标志物

2.1.2基于电子鼻的呼气分析

2.2系统设计与优化

2.2.1气敏传感器阵列

2.2.2电子鼻结构设计

2.2.3采样流程

2.2.4信号分析与特征增强

2.3糖尿病呼气数据集

2.4实验结果和讨论

2.4.1丙酮浓度预测实验

2.4.2糖尿病筛查

2.4.3血糖预测

2.4.4分析： 个体训练样本数与血糖预测误差的关系

2.5本章小结

第3章针对相关特征的迭代特征删除

3.1相关工作

3.1.1特征选择概述

3.1.2SVMRFE

3.2改进SVMRFE： 相关偏差缩减

3.2.1相关偏差

3.2.2相关偏差缩减

3.2.3特征选择的稳定性和集成策略

3.3候选特征集

3.4实验结果和讨论

3.4.1人工合成数据集

3.4.2糖尿病呼气数据集

3.4.3分析： 稳定性和集成策略

3.4.4分析： 特征选择结果

3.5本章小结

第4章基于加权正则化和多任务学习的漂移补偿

4.1相关工作

4.1.1设备差异补偿

4.1.2时变漂移补偿

4.1.3标定样本选择

4.2算法总结与面临的挑战

4.3漂移数据集

4.4基于加权正则化的漂移补偿

4.5基于多任务学习的漂移补偿

4.5.1双任务学习

4.5.2多任务学习

4.5.3动态模型策略

4.6实验结果和讨论

4.6.1阵列漂移数据集

4.6.2Corn数据集

4.6.3呼气分析数据集

4.7本章小结

第5章漂移补偿自编码器

5.1相关工作

5.1.1自编码器

5.1.2基于自编码器的迁移学习

5.2背景特征

5.3漂移补偿自编码器

5.3.1网络结构与目标函数

5.3.2处理复杂时变漂移

5.3.3训练流程

5.4实验结果和讨论

5.4.1阵列漂移数据集

5.4.2Corn数据集

5.4.3呼气分析数据集

5.4.4分析： 欠迁移与过迁移

5.4.5分析： 训练流程

5.5本章小结

第6章最大独立领域适配算法

6.1相关工作

6.1.1无监督领域适配算法

6.1.2HilbertSchmidt独立性准则

6.2最大独立领域适配算法

6.2.1无监督情况

6.2.2半监督情况

6.2.3与其他算法的联系

6.3特征增强

6.4实验结果和讨论

6.4.1人工合成数据集

6.4.2阵列漂移数据集

6.4.3Corn数据集

6.4.4呼气分析数据集

6.5本章小结

第7章总结和展望

7.1总结

7.2创新点

7.3展望

参考文献

索引

在学期间发表的学术论文

致谢