本书是一本深入探讨机器嗅觉技术的专业书籍。书中详细介绍了电子鼻的工作原理、设计方法与关键技术，同时还详细阐述了电子鼻在气体检测中的模式识别技术，包括数据采集、特征提取、模式识别算法及系统整合等内容。书中通过理论与实际案例相结合的方式，展示了电子鼻在多个领域的应用前景和挑战，为读者提供了一套系统的机器嗅觉解决方案。

目录
“博士后文库”序言
前言
第1章 绪论 1
1.1 电子鼻概念 1
1.2 机器嗅觉电子鼻国内外研究现状 3
1.2.1 机器嗅觉研究现状 3
1.2.2 环境电子鼻技术现状 9
1.2.3 低浓度气体检测电子鼻技术 14
1.3 本书结构与主要内容 20
1.4 本章小结 22
第2章 面向低浓度气体检测的电子鼻系统设计 23
2.1 气体预浓缩装置 23
2.1.1 浓缩流程方法 23
2.1.2 预浓缩装置设计 25
2.1.3 基于多元线性回归的浓缩倍数计算 26
2.2 仪器系统集成 28
2.2.1 配气系统 28
2.2.2 腔体结构 29
2.2.3 传感器阵列 30
2.2.4 数据采集模块 31
2.2.5 气流采样模式 31
2.2.6 交互软件设计 33
2.3 电子鼻测试 35
2.3.1 气体浓缩实验 35
2.3.2 浓缩效果与数据分析 36
2.3.3 气体识别实验 38
2.3.4 分类结果与数据分析 39
2.4 本章小结 41
第3章 电子鼻传感器阵列的响应特征分析 42
3.1 电子鼻传感器的特性 42
3.1.1 典型气体传感器响应 42
3.1.2 传感器特性参数 43
3.1.3 传感器阵列优化 44
3.2 电子鼻数据预处理 46
3.2.1 数据预处理方法 46
3.2.2 基于“滤波-基线校准-归一化”流程式数据处理实测 48
3.3 电子鼻信号特征提取 50
3.3.1 主成分分析法 50
3.3.2 核主成分分析法 51
3.3.3 Fisher 判别分析法 52
3.3.4 K-L 变换法 53
3.4 电子鼻信号特征分析 54
3.4.1 稳态特征 54
3.4.2 灵敏度特征 55
3.4.3 瞬态响应速率特征 55
3.4.4 指数滑动平均特征 56
3.5 本章小结 59
第4章 基于增强卷积神经网络的多特征融合嗅觉识别方法 60
4.1 嗅觉模式识别方法 60
4.1.1 BP 神经网络 60
4.1.2 支持向量机 62
4.1.3 鲁棒最小二乘回归 64
4.2 嗅觉卷积神经网络 66
4.2.1 卷积神经网络 66
4.2.2 嗅觉 CNN 的局限性 70
4.3 多特征融合的嗅觉增强卷积神经网络 71
4.3.1 输入特征变换 71
4.3.2 数据增强技术 72
4.3.3 模型增强技术 73
4.3.4 网络模型架构与训练方式 75
4.4 基于 ACNN 的电子鼻气体模式识别测试 76
4.4.1 测试流程 76
4.4.2 数据集 77
4.4.3 结果分析 80
4.5 本章小结 84
第5章 基于深度学习的机器嗅觉长期漂移抑制研究 85
5.1 机器嗅觉系统的漂移 85
5.1.1 气体传感器的漂移现象 86
5.1.2 漂移问题的数学描述 87
5.2 机器嗅觉信号漂移抑制方法 88
5.3 基于DA-SVM的电子鼻模式识别方法 89
5.3.1 深度自动编码机 89
5.3.2 支持向量机 90
5.3.3 DA-SVM方法与流程 91
5.4 基于ENNL的电子鼻模式识别方法 92
5.4.1 集成学习 92
5.4.2 集成神经网络 93
5.4.3 ENNL 方法与流程 94
5.5 基于多模型融合的电子鼻模式识别方法 95
5.5.1 基分类器的选择 95
5.5.2 多模型融合方法与流程 100
5.6 模型测试评估 101
5.6.1 DA-SVM模型 101
5.6.2 ENNL模型 102
5.6.3 多模型融合方法 103
5.7 本章小结 106
第6章 面向地面污迹识别的移动机器人电子鼻系统研究 107
6.1 机器人嗅觉感知 107
6.1.1 机器人环境感知技术 107
6.1.2 机器人嗅觉源定位技术 109
6.1.3 地面污迹识别问题 109
6.2 移动机器人系统搭建 110
6.2.1 移动机器人系统 110
6.2.2 地面污迹感知系统 113
6.3 基于移动机器人的视嗅融合感知方法研究 116
6.3.1 多模态融合方法 116
6.3.2 图像分支特征提取方法 117
6.3.3 气体分支特征提取方法 121
6.3.4 视嗅融合感知模型 123
6.4 机器人视嗅融合地面污迹识别应用实验 129
6.4.1 数据集与评价指标 129
6.4.2 数据预处理与气体特征选择 130
6.4.3 实验与对比 134
6.5 视嗅融合感知模型快速更新方法 145
6.5.1 增量学习技术 145
6.5.2 增量学习模型 146
6.5.3 模型训练 149
6.6 本章小结 151
参考文献 152
编后记 161
扫码查看本书彩图