关键词： 滚动轴承   动模式分解   特征提取   模式识别   故障分类  

摘要： 随着工业大数据的迅猛发展,工业生产朝着智能化自动化逐步发展,机械设备作为工业生产的主体和发力者,而滚动轴承又是各类机械中最常用最重要的零部件之一,对其进行故障诊断与故障识别则变得尤为重要。利用轴承及其组件的随机振动信号对其工作状态进行监测和诊断是目前旋转机械故障诊断研究中最常用的方法。在故障诊断技术研究中,动模式分解方法作为一种基于数据驱动的模式分解技术,可以精确提取复杂动态系统的时空特性,已被广泛应用于时间序列的状态评估、特征提取等方面。在机械设备故障诊断过程中,故障的特征提取和模式识别成为故障诊断的主要关注点。因此,针对滚动轴承故障振动信号,本文以动模式分解方法为研究手段,以特征提取和故障诊断为目标进行研究。本文研究内容如下:1)针对传统动模式分解中截断秩难以准确选取的问题,提出自适应动模式分解算法,采用改进粒子群算法实现动模式分解中截断秩和阈值的自适应选取,避免了人为干预,有效提高了动模式分解效率。2)针对强背景噪声下故障特征信号难以有效提取的问题,提出自适应动模式分解的轴承故障特征提取方法,采用实验台轴承故障数据和与课题组深度合作的某公司1.5MW直驱永磁风机滚动轴承内圈故障实测数据对该方法进行验证。通过与传统经验模式分解(Empirical mode decomposition,EMD)、奇异值分解(Singular value decomposition,SVD)和本征正交分解(Proper orthogonal decomposition,POD)等方法的对比,验证了所提方法可以有效提取故障特征,具有良好的效果。3)针对行星齿轮箱中滚动轴承故障难以准确识别的问题,提出自适应多分辨率动模式分解的行星齿轮箱轴承故障分类方法,采用自制实验台中行星齿轮箱轴承故障数据对该方法进行验证。通过与EMD、卷积神经网络(Convolutional neural network,CNN)等传统方法进行对比,所提方法的分类准确率达到96.43%,具有较为明显的分类效果,验证了该方法的有效性。

关键词： 交通拥堵   特征提取   聚类算法   模式识别   图像处理  

摘要： 随着科技的快速发展，人民物质生活水平的提高，居民的日常出行范围不断扩大，导致城市交通的需求进一步增长，城市交通道路的拥堵现象越来越频繁。在城市交通运行系统中，城市道路交通拥堵识别是交通管理的关键步骤之一，交通拥堵每天以不同的形状和模式产生，向着不同的方向传播。如果能对交通拥堵进行不同模式的分类，这样既有利于提高大型交通流数据库对于数据的有效利用，还可以针对不同的交通拥堵模式设计出不同的管理措施，进一步有效地舒缓交通。智能城市中的网络基础设施允许感知和收集大量的时空数据，对于大量的流量数据，如何有效地管理它们成为挑战。如何快速对交通拥堵模式进行识别和分类具有现实意义。分类即为数据添加有意义的标签，手动分类仅适应于数量有限的数据集，但是对于交通管理过程中收集的大量的数据集，需要一种自动交通拥堵模式分类方法。　　本文通过将交通流数据转换为图像数据，引入计算机视觉高效的识别算法，对交通拥堵的转换为图像进行关于图像的特征提取，运用两种不同维度的特征提取方案，即基于特征点和基于区域的方法对图像的特征进行提取，后用无监督聚类算法进行交通拥堵模式聚类。对聚类到类别进行交通实际意义分析，并进行聚类效果评价。本论文的研究意义是探索在数据驱动下自动划分出交通拥堵模式的方法，为后续的城市交通路网协调控制提供基础。　　本论文的主要工作如下：　　1、将固定探测器的交通流数据处理成为道路，时间，速度的热力图像。对热力图像数据进行自适应平滑滤波算法，进行插值缺失数据和降噪等预处理工作。　　2、对交通时空图像数据进行特征提取，选择了基于特征点的方案和基于区域的方案。基于特征点的方案是运用了两种来自不同维度的特征提取方法，即基于特征点和基于区域分割的特征提取办法。基于点的方法探索了图像中的局部特征，是像素点的强度急剧变化的位置。基于区域的特征提取方法是探索形状或区域，为后续的聚类算法提供输入向量。基于区域的特征提取部分使用分水岭算法对图像进行分割，对生成的结果图进行LBP特征提取和Gabor滤波器边缘提取。阈值分割后的图片进行直方图特征提取，将图像中的像素按照颜色分成若干个区间，统计每个区间中像素的数量，然后将这些数量作为特征向量来表示图像，将这两张图缩放展开后拼接一起，最后使用主成分分析法降维到长度为64的特征向量。　　3、考虑使用无监督聚类算法对提取到的交通拥堵特征进行聚类。在第3章的基础上，对两种特征提取方案进行聚类分析，聚类得到的交通拥堵模式进行交通实际意义描述。在第3章交通时空图像拥堵特征提取的基础上对两种方案的层次聚类结果的评价。为了更好地对聚类进行评价，选用了两个评价指标：定量评价和定性评价。最后通过训练多项式分类器对输入数据进行分类判别，对聚类结果进行定量评估。

关键词： 多功能雷达   工作模式识别   熵值图   多模态原型网络   互信息最大化  

摘要： 多功能雷达(Multi-function Radar,MFR)作为现代新体制雷达的主要代表之一,具有显著的智能性和灵活性等特点,传统的雷达工作模式识别方法难以适应现代MFR多变的信号波形和快速变化的工作模式,制约了对多功能雷达工作状态的分析和行为意图的推理。因此,研究新的MFR工作模式识别方法势在必行。本文分析了MFR工作模式的机理和不同工作模式脉冲参数的时序变化特点,首先提出基于小波变换的雷达状态切换点检测方法,对多工作模式组合的脉冲序列进行检测并将其切割为单一工作模式的脉冲序列片段,在此基础上结合时间序列分析和数据挖掘手段,提出基于熵值图的多功能雷达工作模式识别方法,以实现对MFR工作模式的有效识别。进一步地,针对雷达信号样本不足的问题,提出基于互信息最大化(Mutual Information Maximization,MIM)下多模态原型增强的小样本工作模式识别方法。本文的具体研究内容如下:1.针对传统工作模式识别方法受特定场景限制、难以适应MFR波形参数的快速捷变以及实验样本数据过于理想化等问题,首先提出基于小波变换的雷达状态切换点检测方法,对MFR脉冲序列进行状态切换点检测,并将其分割成单一的工作模式序列。然后从时间序列熵的角度出发,对雷达脉冲模式序列进行分析和研究,提出基于熵值图的多功能雷达工作模式识别方法。通过提取各脉间参数序列的近似熵、排列熵、样本熵和模糊熵构成熵值图,熵值图特征可以准确地反映雷达工作模式脉冲序列参数的变化规律和特点,最后结合卷积神经网络模型实现MFR工作模式识别。实验表明,在虚假脉冲率或漏脉冲率为25%时,不同工作模式之间切换点的检测正确率接近85%;工作模式识别正确率在虚假脉冲率为20%时接近85%,漏脉冲率为20%时为83.1%,参数误差为8%时接近84%,验证了本方法的有效性。2.考虑到实际战场环境中想要截获到大量的雷达信号样本数据十分困难,而常规识别方法在少量样本条件下难以正确反映MFR工作模式信号波形的变化规律和特点,提出了一种基于MIM下多模态原型增强的小样本工作模式识别方法。首先,通过对MFR工作模式脉冲序列进行语义知识编码和提取脉冲序列熵值图,获得“语义”模态和“视觉”模态样本。然后,提取语义知识向量和熵值图两个模态的高维嵌入特征,并引入MIM挖掘两个模态之间与任务相关的模态不变信息,过滤与任务无关的噪声信息。最后计算“视觉”原型并利用“语义”信息引导注意得到增强的类原型用于识别分类。仿真实验表明,所提方法相较两种对比方法,识别性能分别在不同虚假脉冲场景下平均提升了5%、2%,不同漏脉冲场景下平均提升了6%、2.5%,验证了该识别方法在小样本工作模式识别领域的有效性可靠性。

关键词： 脑解码   注意力神经网络   动态神经网络   fMRI  

摘要： 人类大脑是一种复杂的非线性时变系统,其对不同认知任务的动态响应过程组成了可被观测到的大脑活动。近年来大量的功能磁共振成像(Functional Magnetic Resonance Imaging,f MRI)研究试图从大脑活动中识别出被试所处的任务状态,这些工作加深了我们对脑机制的理解。大脑的任务响应过程包含时间、空间以及脑区交互等多个维度,且不同层级认知任务的复杂度不同,识别难度也存在差别。然而,以往的研究往往仅从单一维度提取任务特征,并使用定长的f MRI数据识别不同的认知任务,极大地限制了模型的识别性能和应用场景。为了解决上述问题,本文提出了基于多注意力神经网络的脑状态模式识别研究,通过引入多个注意力模块提取不同维度的f MRI任务特征,通过采用动态的网络结构确定不同任务需要的数据长度。本文的主要研究内容如下:1.针对f MRI信号任务特征提取问题,本文提出了基于多注意力机制的特征提取方法,该方法利用时间注意力模块、空间注意力模块和自注意力模块用来提取与任务相关的特征。在本项研究中使用来自人类连接组计划(Human Connectome Project,HCP)1200个被试的情绪任务f MRI数据来评估所提出的模型。该研究对情绪任务的两种条件分类准确率达到99.51%。为了进一步对注意力模块的可解释性进行研究,本研究对注意力权重进行了可视化分析并对注意力模块进行了消融实验。结果表明,注意力模块可以学习到具有生物学意义的大脑表征,从而提高分类精度。2.针对任务识别所需数据长度的确定问题,本文提出了基于动态神经网络的大脑状态识别方法,通过引入动态的网络结构对识别不同样本所需的视觉长度进行确定。本项研究纳入了来自HCP数据集中6种任务(情绪、运动、语言、工作记忆、社交和关系)21种认知状态,采用1111例被试的f MRI数据来评估所提出的模型。结果显示,本研究对21种任务状态的识别准确率达到93.57%。对注意力权重的分析结果进一步证明了注意力模块的有效性。此外,本研究发现引入动态的网络结构可以有效地减少识别所需的数据长度,平均长度为6.2s时解码准确率仍可以达到91%。统计结果表明,识别所需的数据长度与任务的复杂度有关,即复杂的认知任务(社交、关系、工作记忆)比简单的认知任务(语言、情绪、运动)所需要的数据长度更长。本文在上述两个工作中利用深度学习算法构建任务态f MRI数据解码模型,从多个角度来提取任务相关的特征,然后利用这些特征来识别任务条件以及确定任务识别所需的数据长度,结果表明本文提出的模型提高了任务识别的准确率,也能够有效解码出任务识别所需数据长度,这为任务状态识别提供了两个更有效的模型,并为脑机接口系统的实现提供了基础。

关键词： 应激反应   自主神经系统   模式识别   心电图   机器学习  

摘要： 日常生活中,人们面对各种各样的压力源而产生应激反应,若无法快速有效地适应压力,将使下丘脑-垂体-肾上腺皮质轴调节功能出现障碍,精神和身体出现抑郁、焦虑和心血管疾病等风险,导致多种身心问题,降低生活质量。因此,及时监测人体应激反应和应激适应状态,对预警应激适应不良,阻断其所致身心健康风险具有重要意义。已有的应激反应相关研究都集中于识别应激状态,少有应激适应相关研究,且关于应激适应的研究仅采用统计方法对心理和生理数据进行分析,极少采取机器学习方法实现应激适应状态监测。因此,本文以应激检测和应激适应状态识别为目的,通过数学习题讲解任务诱发被试的应激反应,收集被试心电数据和专家观察评价的被试行为表现,以应激事件是否正在发生来标定被试心电数据的强/弱心理应激标签,以专家评价的行为表现是否适应来标定被试心电数据的应激适应良好/不良标签,使用机器学习和神经网络方法,找出区分强/弱心理应激以及应激适应不良/适应良好的关键心跳间期特征和合适的分类器。论文研究内容和结果如下:(1)设计和实施了应激反应心电数据采集方案。以数学习题讲解的认知负荷诱发应激,让被试在五名专家面前讲解数学习题,通过社交暴露增加应激反应,同时收集被试的心电信号、专家对被试的行为适应评分和被试行为适应自评分。(2)构建了心理应激心电数据集和强/弱心理应激的生理识别模型。与弱应激相比,强应激导致更小的心率变异性和明显更快的心率,表明强应激使自主神经的交感分支活跃,副交感分支活动受到抑制,自主神经整体活动更强。当使用2维心电特征子集时,该模型在训练集留一被试测试和验证集独立被试验证中最佳F1分数分别为79.52%和82.98%。(3)构建应激适应心电数据集,探索应激适应不良和适应良好在应激各阶段的自主神经活动组间差异。与适应不良组相比,在应激启动阶段,适应良好组心率变异性的降低和心率的增加更明显,表明其交感分支的激活更多,应激启动反应更大;在应激应对阶段,适应良好组具有更少的副交感分支失活和交感分支激活,表明适应良好组具有更好适应压力任务的自主神经柔韧性。在消退阶段,适应良好组的自主神经功能更快恢复到基线状态,表明适应良好组的应激过程时间更短。(4)构建应激适应不良生理识别模型,开发应激适应检测原型系统。当使用低维心电特征子集时,最佳泛化F1分数在应激启动、应对和消退阶段分别为76.19%、80.52%和70.00%,在三个阶段特征融合时为80.00%。第二种方法是采用长短期记忆神经网络和后向传播神经网络,仅使用样本数较多的应对阶段进行网络训练和验证,分别得到了80.56%和85.71%的泛化F1分数。结果表明利用机器学习方法构建的应激强弱和适应状态识别模型的准确率都远高于随机猜测,表明基于心电的应激适应监测是可行的。本文有以下三个创新点:(1)相比于问卷量表测量应激适应的方式,本文通过心跳间期指标监测应激适应,具有非侵入性、随时随地无打扰测量的优势,是本文在应激适应测量上的方法创新。(2)本文在应激反应三个阶段的自主神经功能适应上有创新性的发现。相比于适应不良,适应良好具有更大的启动反应,更柔韧的应对反应和更快速的消退反应。(3)本文的应激适应检测原型系统与可穿戴生理采集设备集成,有助于实现应激适应监测,是本文方法的创新性应用。

关键词： 模式识别与计算机视觉   彼得·纽马克   文本类型理论   信息型文本   交际翻译   语义翻译  

摘要： 本文是基于《模式识别与计算机视觉手册》(节选)的英汉翻译实践报告。《模式识别与计算机视觉手册》是一本由世界科学出版社出版的全英文学术著作,书中收集了在模式识别与计算机视觉领域发表的一些最新成果。该翻译项目的委托人是郭涛,他是一名研究模式识别与人工智能的学者。书籍翻译后将由清华大学出版社在中国出版,为该领域的学者提供学习帮助。翻译实践中,译者以彼得·纽马克的文本类型理论为指导,并采用交际翻译和语义翻译方法完成了整本书籍的翻译工作。译者选择了其中约15,000词英文原文及其译文作为研究对象,并结合指导理论,探讨了该篇科技文本的文本特征以及翻译时可用的翻译技巧,从而撰写了本篇实践报告。根据纽马克的文本类型理论,文本可分为三类:信息型文本、表达型文本和呼唤型文本。他还提出了两种主要的翻译方法,即语义翻译和交际翻译,认为针对不同的文本,译者应采取不同的翻译方法。本次翻译实践报告的源文本是典型的信息型文本,整体表述客观准确、逻辑严谨。源文本中大量使用方式状语,大量使用定语从句,经常出现被动语态,多次使用第一人称代词,常用专业术语,多用抽象名词等。译者对两种翻译方法进行研究,并根据项目客户的需求,结合文本特征,同时采用了交际翻译和语义翻译作为翻译方法。翻译过程中,译者在纽马克的交际翻译和语义翻译方法指导下,对带方式状语的句子进行拆分,在定语从句中添加代词,对被动语态进行转换,对第一人称代词进行转换,对派生词和复合词进行直译,对术语缩略语和拼缀词采取零翻译,并将抽象词转化为具体表达,力求使得译文既能准确无误传递原文信息,又能更大程度上为读者群体所理解与接受。报告最后进行总结,指出译者在纽马克的文本类型理论和交际翻译和语义翻译方法指导下归纳出的原文本特征以及采用的翻译技巧,另外也指出本次翻译工作与本篇报告的不足之处。

关键词： 下肢外骨骼机器人   步态信息采集系统   模糊PID控制器   Simscape  

摘要： 近年来,随着人口老龄化日益严重,社会对老人助行以及下肢运动障碍人群的康复等需求逐渐增多。下肢外骨骼机器人是一种向穿戴者肢体施加外部扭矩并为其提供助力的装置,可用于肌肉或神经疾病患者的下肢运动康复,提升穿戴者身体机能,是解决下肢运动障碍、老人助行问题最具潜力的途径之一。然而,现有下肢外骨骼机器人的控制策略大多采用PID控制,容易出现控制滞后、鲁棒性较差等问题,难以精准实现轨迹跟踪控制。针对以上问题,本文面向助力及康复领域,设计一款可穿戴式下肢外骨骼机器人;基于对人体运动模式的识别,在PID控制基础上制定模糊PID控制策略,以提高系统鲁棒性;搭建下肢外骨骼机器人的动力学仿真模型及实体样机,进行轨迹跟踪控制实验,对本文方法加以验证。具体研究内容如下:(1)下肢外骨骼机器人系统设计。首先,通过对人体下肢运动机理及步态相位的分析,确定各关节的自由度数,并选择合适的驱动方式;其次,通过所确定的驱动方式,结合动力学仿真分析,确定驱动电机和驱动器的型号;最后,结合下肢外骨骼机器人设计的安全性、可调节性和舒适性等要求对下肢外骨骼机器人整体结构及驱动关节进行设计,为后续下肢外骨骼动力学仿真模型和实体样机搭建奠定基础。(2)步态信息采集系统与运动模式识别方法设计。首先,对人体步态信息采集系统进行设计,包括传感器的选型、布置以及无线传输系统的设计;其次,设计基于阈值法的运动模式识别方法,通过薄膜压力传感器和MPU6050角度传感器采集的数据对人体步态相位进行识别和划分,进而对平地行走、上楼梯、下楼梯等运动模式进行识别;最后,通过采集实验验证识别算法的准确性,实验结果表明,该识别方法能够较为准确的识别人体步态相位及运动模式。(3)下肢外骨骼机器人控制策略设计。首先,介绍PID控制的控制原理及控制方法;其次,针对PID控制过程中由于控制参数恒定而导致系统容易出现超调、鲁棒性较差等问题,采用模糊控制理论优化控制参数;最后,从模糊子集与隶属函数的确定、模糊规则的建立等方面设计模糊PID控制器,并利用Matlab模糊逻辑工具箱搭建模糊PID控制器,为后续动力学仿真做准备。(4)仿真分析与实物验证。首先,将下肢外骨骼模型通过Solid Works导入到Simulink中,并基于Simscape搭建下肢外骨骼动力学仿真模型;其次,分别采用PID及模糊PID控制器进行动力学仿真,通过对比两者期望轨迹和鲁棒性来检验控制算法的性能,结果表明,模糊PID控制器具有更好的轨迹跟踪效果和鲁棒性;最后,结合第3章步态信息采集系统和下肢外骨骼样机进行实物验证。

关键词： 癫痫   焦虑倾向   抑郁倾向   早期诊断   脑网络分析  

摘要： 目的：　　癫痫是一种由大脑神经元突发的异常放电导致的一种慢性疾病，迄今为止在世界范围内影响了超7000万的患者。由于其高发病率和高致死率，对癫痫的研究已成为神经学领域的一大重点。癫痫患者往往会伴发不同程度的情感障碍，其中抑郁/焦虑倾向是癫痫患者最常见的合并症之一。现阶段对伴抑郁/焦虑倾向癫痫患者(epilepsy patients with depression/anxiety , E-AD)的发病机制研究尚不明晰，临床上需对患者进行一套完整的评估才能确诊，且被确诊的患者需表现出明显的病症，这会耗费很多的时间成本，因此现阶段对伴抑郁/焦虑障碍癫痫患者的早期诊断仍十分困难。近些年来，基于脑电信号的脑网络分析和情绪识别等研究已成为国内外相关领域的热点，在本研究中，我们尝试基于静息状态脑电信号，对伴抑郁/焦虑倾向和无抑郁/焦虑倾向两类癫痫患者的脑网络进行分析，并通过机器学习的方法实现两类患者的识别，以实现对患者的早期诊断。　　方法：　　本研究对在中国人民解放军西部战区总医院神经外科两年内所有住院收治的癫痫患者进行信息归纳整理，在确保癫痫患者发作类型、病灶类型和基本信息正确无误的情况下，从一百多例数据中筛选出符合研究标准的26名患者进行回顾性分析。通过对患者视频-脑电图的分析，截取出每名患者约2小时的静息状态头皮脑电信号，以构建癫痫伴抑郁/焦虑倾向患者和普通癫痫患者的数据集。我们首先基于功率谱分析，比较了两类患者全脑的活动强度特征。接着通过相干一致性分析分别构建两类患者在不同频段下的功能网络，并对网络连接值、网络属性等特征进行了统计比较。在此基础上，借助支持向量机的分类预测方法，分别探究了基于网络属性、网络主成分分析以及网络空间特征分析等不同特征，对伴抑郁/焦虑癫痫患者和无抑郁/焦虑癫痫患者的识别效果。　　结果：　　通过对两类患者不同频段下功率谱密度，功能网络的连接强度以及网络属性等特征对比，我们发现两类患者的差异集中体现在Beta频段下的脑活动，E-AD患者在额叶、顶叶等脑区的Beta活动表现出显著的降低，而在全局的网络属性上未表现出显著的差异。而通过网络空间模式分析和支持向量机的方式，我们实现了最高89.90%的识别准确率，显著优于传统的网络属性特征、以及基于主成分分析的特征提取方法，验证了功能网络的空间模式特征对区分两类患者的重要性。　　结论：　　癫痫患者伴抑郁/焦虑倾向的发病机制探究和诊断对于患者的治疗而言十分重要，本文基于静息态头皮脑电信号，通过对伴抑郁/焦虑倾向两类癫痫患者的脑网络分析，实现对两类患者脑网络差异的比较，结果所指向的相关脑区对进一步的探究具有重要意义。另一方面，基于网络的空间模式分析，以较高的准确率实现了对两类癫痫患者的识别，这将有助于实现癫痫患者伴抑郁/焦虑倾向的鉴别以及早干预和治疗。此外，该识别模型的探究工作，对相关脑部疾病的自动识别、评估，以及神经系统疾病和建立人性化的人机交互方式具有深刻意义。

关键词： 碳基FET传感器   气体传感器阵列   交叉敏感性   痕量气体检测   模式识别  

摘要： 当前,室内环境污染日益严重,使得人们越来越重视室内的空气质量。目前室内空气污染主要由室内装修所用涂料、油漆和人造板材及家具释放的甲醛（HCHO）、挥发性有机物（VOCs）等污染物所致。这些有害气体种类繁多,来源复杂,即使在较低的浓度（ppb级别）都会严重损害人的身体健康,给人造成急性或是慢性及潜在的危害,因此对室内有害气体的检测显得尤为重要。由于可以同时在线监测室内有害气体,电子鼻技术受到了广泛的关注,但电子鼻识别气体的准确性易受到外部环境和设备结构的影响,如何实现对多种气体的准确识别仍是气体传感器领域的一个巨大挑战。由于室内痕量有害气体所引起的微弱电信号难以检测,实现对痕量气体所引起的微弱响应信号的有效提取、增强及检测也是一项亟待解决的重要任务。在本研究中,从器件微型化、集成化与批量化制作的角度出发,选择处于国际研究热点的碳基场效应晶体管（FET）为研究对象,通过敏感材料的筛选和制备、器件结构设计及性能表征等一系列手段,设计了沟道敏感型、栅极敏感型及其阵列结构,结合模式识别算法实现了室内混合气体中各气体种类的有效识别。具体工作如下: 1.为了解决单一气体传感器检测不准确导致气体识别困难的问题,本文以室内空气污染物的几种代表性物质甲醛（HCHO）、氨气（NH3）和硫化氢（H2S）为研究对象,采用了构建传感器阵列与模式识别算法相结合的策略来实现对多种气体组分的识别。采用碳基薄膜晶体管（TFT）作为传感器阵列的基本单元,利用不同的金属（Au、Cu和Ti）修饰TFT器件单元的碳纳米管（CNT）沟道,以实现对各种气体的相互不同的响应。与原始的CNT沟道的TFT型气体传感器相比,利用Au、Cu和Ti对CNT沟道进行修饰后,分别提高了TFT型传感器对NH3、H2S和HCHO的选择性响应。此外,通过与线性判别分析（LDA）算法和逻辑回归分类器（LR）的结合,开发了气体种类识别模式,并应用于电子鼻对各单一气体种类的识别（NH3、H2S和HCHO）。特别是使用模式识别中的LDA算法进行气体分类,并使用LR分类器来识别三种目标气体物种,准确率高达100%。传感器阵列结合模式识别算法这一策略为实现室内复杂环境下气体的检测以及识别提供了重要经验和指导。 2.为了实现对痕量气体微弱信号的有效放大,提出具有栅极敏感结构的FET型气体传感器。通过在沟道上方引入氧化钇（Y2O3）作为栅氧化层,有效隔离气体与沟道的接触,避免了不同气体对沟道材料产生各异的影响,最大程度保持了沟道良好的电学性能,实现栅极气敏响应信号的稳定增益效果。采用微纳加工工艺成功制作了栅敏型碳基FET型气体传感器,区别于沟道敏感型气体传感器,通过将半导体型CNT和催化金属分别作为沟道和栅极材料,充分利用了沟道传输层和栅极敏感层各自的优势。所制备的碳基FET型气体传感器对HCHO的检测限低至10 ppb,恢复率高达97%,基线漂移率仅为2%,具有优异的响应特性、恢复特性、稳定性等气敏性能。碳基FET型气体传感器高灵敏度检测主要归功于碳基FET良好的放大效应,实现对来自栅极的痕量气体造成微弱信号的放大。该项工作可为设计具有低浓度气体检测能力的传感阵列提供可借鉴的思想方法与手段。 3.针对栅敏型碳基FET器件,构筑具有显著气敏响应区分度的栅极材料体系,研究不同材料对各气体的有效响应,建立气体种类与栅极材料及器件性能的关联。通过FET阵列结构的设计,提供对多目标气体相关联的丰富的信息数据集,结合模式识别算法对数据的处理,最终实现对单一气体种类与浓度难以同时识别及混合气体中目标气体识别。利用LDA、SVM算法结合MLR算法,发展了多气体气体识别模式,通过分别检测HCHO、H2S和NH3三种气体,以及对三种混合气体中甲醛气体的单一识别研究中发现:采用LDA可以实现气体的可视化分类,进一步结合SVM算法可以实现气体种类的识别,采用MLR完成对浓度的预测。分别检测三种气体的识别率达到96.04%、99.96%、99.62%,混合气体中识别甲醛的准确率可达82.08%。这项工作突破了单一气体种类和浓度同时识别、混合气体中目标气体精准识别的技术瓶颈,为可实现多气体精准识别的电子鼻技术提供重要的理论与实验支撑,为气体传感芯片在人工智能的未来应用提供重要指导。