毕业论文课题相关文献综述
文 献 综 述1.1研究背景意义人工智能科学领域的发展离不开各类信息的获取和辨识。
机器嗅觉（Machine Olfaction）又称为电子鼻（e-Nose），是一种利用电子装置模拟生物嗅觉系统的仿生检测技术，广泛应用于气体/气味定性识别与定量分析中，如应用于环境监测、消防、化工过程、临床诊断等一系列领域，是重要的人工智能系统之一。
理论上，相同测量条件下的电子鼻对同一气体的同一浓度响应应当是相同的。
然而，实际应用中，电子鼻的传感器随着使用时间的增长而不断老化、退化、中毒等，而使得其响应信号逐渐偏离其应有的数值，即时间漂移。
这极大地降低了电子鼻的性能，不仅识别精度大幅降低，甚至系统变得不可靠。
因此，研究降低信号漂移或漂移抑制方法具有重要意义。
1.2 国内外研究现状现阶段气体传感器检测技术使用广泛，但又面临无法避免气体传感器漂移状况的大背景下，国内的研究者们尝试了很多方法来改善这一状况。
使用深度学习中的自编码器模型，对气体传感器进行有效补偿可以提高分类精确度[1]。
宁波大学的龚雪飞在搭建了由传感器阵列及相应设备的仿真实验装置的基础上提出了PSO-BP神经网络,PSO优化的集成神经网络，并行PSO优化的集成神经网络三种模式识别算法[2]。
利用有着深度特征提取能力的DBN强大的非线性映射能力可以在特征层面上对气体传感器的漂移信号进行抑制[3]。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
