基于智能信号处理方法的全量程氢气检测系统研究

第1章 绪论
1．1 课题背景及研究目的和意义
1．1．1 背景
1．1．2 研究目的和意义
1．2 国内外研究现状分析
1．2．1 全量程氢气检测的研究现状
1．2．2 集成检测微系统的研究现状
1．2．3 气体传感器故障检测、恢复及诊断技术的研究现状
1．3 论文的主要研究内容及结构安排
第2章 智能信号处理方法理论基础
2．1 引言
2．2 机器学习的基本思想及贝叶斯理论
2．2．1 机器学习的基本思想
2．2．2 贝叶斯理论
2．3 RBF神经网络基本理论
2．4 ．支持向量机基本理论
2．5 相关向量机基本理论
2．5．1 回归模型
2．5．2 分类模型
2．5．3 核函数的选择
2．5．4 RVM决策函数复杂度分析
2．6 相关向量机与支持向量机对比分析
2．7 本章小结
第3章 全量程氢气检测微系统敏感芯片设计
3．1 引言
3．2 全量程氢气检测微系统敏感芯片工作原理
3．2．1 半导体式敏感芯片工作原理
3．2．2 热导式敏感芯片的工作原理
3．2．3 催化燃烧式敏感芯片的工作原理
3．3 全量程氢气检测微系统敏感芯片有限元仿真分析
3．3．1 加热电阻结构对温度云图的影响
3．3．2 基底厚度对温度云图的影响
3．3．3 加热电压对温度云图的影响
3．3．4 多温度场耦合模型及计算方法
3．3．5 热串扰分析及隔热设计
3．4 全量程氢气检测微系统敏感芯片结构设计
3．5 本章小结
第4章 全量程氢气检测微系统氢气浓度测量方法
4．1 引言
4．2 氢气浓度标定实验系统设计
4．2．1 标定实验系统建立
4．2．2 实验步骤及各标定点数据获取
4．2．3 标定样本选取与方案优化
4．3 基于RvM的小样本标定数据下氢气浓度全量程测量方法
4．3．1 基于小生境粒子群算法的RVM参数优化
4．3．2 基于RVM回归的全量程氢气浓度测量方法及实验分析
4．4 本章小结
第5章 全量程氢气检测微系统故障检测与恢复方法
5．1 引言
5．2 常见故障类型分析
5．2．1 常见故障类型
5．2．2 故障数据的仿真
5．3 基于数理统计方法的故障检测
5．4 基于RvM的故障恢复方法
5．5 本章小结
第6章 全量程氢气检测微系统故障诊断方法
6．1 引言
6．2 基于小波奇异熵和相关向量机的故障诊断
6．2．1 基于小波奇异熵的故障信号特征提取原理
6．2．2 RVM故障诊断方法
6．3 基于知识推送的专家系统故障诊断
6．3．1 基于知识推送的专家系统设计
6．3．2 实验验证
6．4 基于RVM与基于专家系统的故障诊断方法对比分析
6．5 本章小结
结论
参考文献