基于深度学习的气体识别分析-计算机应用技术专业论文.docx

独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 日 摘要 摘要 I I 摘 要 近年来机器嗅觉领域发展迅速，在工业生产、环境保护、安全检查、医疗诊 断等领域中发挥着越来越重要的作用。气体识别系统作为机器嗅觉的一个典型应 用，通常由交叉敏感的化学传感器阵列和适当的计算机模式识别算法组成，可用 于检测、分析和鉴别各种气味。 传感器阵列依靠敏感膜材料吸附气体分子产生振动，采样得到的是一种复杂 的时间序列信号。这种信号会受到敏感膜材料、气体种类和浓度以及外界环境（如 温度、湿度）等多种因素影响，波形复杂，难以分析，通常采用手工设计的特征， 结合小波分解、支持向量机等方法进行识别。 此外，气体识别中还存在一种称为传感器漂移的现象，即传感器的响应值会 缓慢地发生偏移，并且随着时间的推移最终会引起数据的分布发生改变，使气体 识别的准确率逐渐降低。这一现象使得分析气体数据变得更加困难，目前通常采 用各种物理手段以及信号处理方法来减少漂移带来的影响。 论文首先对比各种方法的识别准确率，其中提取特征的过程包括手工设计特 征、小波分解以及主成分分析等，识别算法则分别采用支持向量机、K 近邻等方法， 然后尝试使用近年来流行的深度学习方法提高识别准确率。相比于其他方法，深 度学习最大的优势在于可以自动提取特征，最大限度地减少了人为的干预，消除 了手工设计特征的复杂度。同时，不同于以往的气体识别方法，深度学习不再针 对具体的应用场合，具有非常广泛的适用性，应用前景良好。 最后，论文探索了一个全新的方向，即使用深度学习方法来解决传感器漂移 问题。实验表明，深度学习方法可以得到比原始输入更好的、对于漂移更为鲁棒 的特征，能够明显改善漂移影响下的气体识别准确率，证明了其在解决漂移补偿 问题方面的可行性。 关键词：机器嗅觉、气体识别、传感器漂移、深度学习 AB ABSTRACT II II ABSTRACT With the rapid development of machine olfaction, the demand of research on fields such as industrial production, environmental protection, security checks, medical diagnostics, has been urgently raised. As a typical application of machine olfaction, gas recognition system combines cross-sensitivity chemical sensor array and an effective pattern recognition algorithm for the detection, identification or quantification of various odors. The material of sensitive membrane vibrates by absorbing the gas molecule, and data collected by the sensor array are the multivariate time-series signals with complex structure. These signals are influenced by the type and concentration of the gas, the external environment (such as temperature, humidity), and other factors, so that they usually have the complex waveform and are difficult to analyze. In prac