2) Olfactory system
嗅觉系统
1.
Water J Freeman established a set of neural network model based on olfactory system.
Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。
2.
Firstly, in this paper, physiological structure of olfactory system.
嗅觉系统是生物最基本的感觉系统之一,对人的日常生活和动物的生存具有重要作用。
3.
Now more and more scientists have put their eyes in the research of the neural system, especially about the olfactory system.
为此，本课题开展的研究将有助于人们探索和认识嗅觉系统乃至大脑的机理。
3) Olfactory model
嗅觉模型
4) artificial olfactory system
人工嗅觉系统
1.
Meat artificial olfactory system based on composite GA-RBF network;
基于遗传组合网络的肉用人工嗅觉系统
2.
Artificial Olfactory System and Its Application in Plastics Odor Examination;
人工嗅觉系统及其在塑料气味检验中的应用
3.
Through an analogy between the human and the artificial olfactory systems, the fundamental principle and composition of artificial olfactory systems are well introduced.
人工嗅觉系统是一种新颖的模拟人的嗅觉来分析、识别和检测复杂嗅味和挥发性成份的仪器 ,通过人的嗅觉和人工嗅觉的比较 ,详细介绍了人工嗅觉的基本原理和组成 ,论述食品仿生检测技术在食品工业中的应用。
5) electronic nose system
人工嗅觉系统
1.
An electronic nose system composed of an oxide semiconductor gas sensor array is used to analyze cigarettes of three different brands.
用金属氧化物半导体气敏传感器阵列组成的人工嗅觉系统 (电子鼻 )对 3种品牌卷烟烟气进行分析 详细阐述了实验过程及确定传感器的组成方法 ,并从样本中用马氏距离选取合适的样本 ,用主成分分析法和神经网络聚类分析法对样本进行分析 主成分分析结果是已较好地把各品牌的烟分开 ,神经网络对 3种品牌烟的识别率分别为玉溪 85%、白沙 90 %、红梅 95
6) olfactory neural system
嗅觉神经系统
1.
A bionic mode simulating olfactory neural system,KⅢ model,and its application to face recognition are researched in this paper.
对一种模拟嗅觉神经系统的仿生模型、KⅢ模型、及其在人脸识别中的应用进行了研究。
2.
Not only is it due to the fact that olfactory system is yet among the most unknown sensory neural systems, but also because olfactory neural system has been reported to be tightly related to the learning and memory mechanisms of the brain.
嗅觉神经系统的研究目前引起了世界各国学者广泛的关注。
补充资料：大系统模型降阶
降低大系统数学模型的阶数或状态维数，以简化大系统的数学模型的方法。大系统包含的元件众多，元件间关联复杂，输入和输出数目也较多，建立大系统的精确的数学模型存在困难，因此需要建立简化的数学模型。太阳系行星运动方程数是1024个,但I.牛顿仅用9个方程就足够精确地描述了太阳系行星的运动规律。在建立模型的过程中，需要确定对系统的集结和分解的程度。集结是将系统的状态变量（单元）归并成数目较少的新的状态变量（组合单元）。分解是将系统分成更小的单元或子系统。集结程度小和分解程度细的模型，包含的状态变量多，阶次高，求解困难。反之，集结程度大和分解程度粗的模型，阶次低，求解不困难，但得到的解可能无实际意义。简化模型的建立与人们的使用目的、经验、概括能力和对系统的理解程度有关。大系统模型的简化，常采用集结法和奇异摄动法。
集结法 集结法是1948年A.纳塔夫在构造宏观经济模型时首先提出来的。1966～1968年，P.库利科夫斯基和青木正直用集结法简化大规模动态系统模型获得成功。在电力系统中,常发现某些发电机同时发生振荡,这一事实表明可将某些发电机归并为一等效发电机。将系统中众多状态变量按线性组合归并成少数新的状态变量，称为集结。用新状态组成的系统模型就是简化的模型。简化模型应保留原模型的主要的动态特性。
在建立大系统模型的过程中，应对系统的集结和分解程度进行决策。在建立模型后，用集结法进一步简化模型。设所得到的大系统模型为
(1)
式中x为n维状态向量，u为r维控制向量，矩阵A和B有相应的维数。对状态向量x各分量进行线性组合得到新的状态变量zi，i=1,2,...,m,且m＜n。以z表示新状态向量,即有z＝ Cx，这里C是m×n矩阵，称为集结矩阵。对应z 存在一个模型
(2)
式中F是m×m 矩阵，G是m×r 矩阵。如果
(3)
(4)
则模型(2)是(1)的一个完全集结的简化模型。条件(3)保证模型（2）中矩阵F的特征值与矩阵A的m个特征值相同(设A有n个相异特征值)。如果这m个特征值是原模型(1)的主导特征值,则模型(2)的动态特性与原模型的动态特性只有微小差别。条件(4)保证稳定态时集结关系z=Cx成立。简化模型(2)导出的反馈控制，只改变矩阵F所保留的主导特征值。将此控制作用施加于原系统时，不改变原系统的稳定性和可控性。集结矩阵C应使状态z与原状态x有易于理解的物理对应关系，但很难找到满足条件(3)的矩阵F，只能得到近似的完全集结的简化模型。简化模型状态向量的维数m，即矩阵C的秩，它的选择取决于矩阵A主导特征值的数目。简化模型阶次m的选择，实际上是系统识别中阶次的识别问题。
奇异摄动法 大系统模型简化的一种重要方法。摄动是指系统数学模型中某些数量级较低的小参数的变动。当诸小参数摄动还不致严重改变系统的动态特性时，称为正则摄动。应用小参数摄动研究事物在某些特殊情况下的特征，称为奇异摄动法，如空气动力学中常用奇异摄动法研究超声流中的层流。在大系统理论中，它主要用于模型简化。
用奇异摄动法简化大系统的模型是70年代P.V.科科托维奇提出来的。因为大系统的数学模型中有一类测量精度低的小参数，其值又随环境和运行情况波动。因此在大系统的模型中可用一个摄动的小参数μ来概括地表示它。这样，在列出大系统的动态方程时，可将它分解为两部分：慢过程部分和包含小参数的快过程部分。大多数的大系统都具有这种性质。这时小参数μ乘上快过程状态向量的时间导数出现在快过程状态方程的左侧。
设大系统动态方程组的解存在且惟一，当μ摄动时，解也随着摄动。μ=0时快过程部分的动态方程成为奇异的，故称为奇异摄动。此时快过程部分的动态方程退化为代数方程,其解发生跳变。这样,大系统的动态方程退化为维数较低的退化方程，只要此代数方程的根是稳定根，则退化方程的解就是原系统动态方程的解在μ→0+时的极限。因此可用此解来近似地代替原动态方程的解。
将系统动态方程分离为慢过程和快过程，称为时标分离。集结法也有时标分离的作用。就这一点来说，这两种模型简化方法有类似之处。在列出系统方程时，凭借对系统的理解和参数的数量级分离出快和慢两类过程。
基于简化模型得出的反馈控制,用于原系统时,由于状态x仍然同状态z关联着，有时候会得到一个不稳定的或有明显振荡的系统。此时，对快子系统和慢子系统分别设计反馈控制是解决整个系统控制问题的好办法。在设计快子系统控制（包括边界层控制）时，慢子系统状态取确定的序列值。
奇异摄动法还用来简化黎卡提方程的解和处理其他形式的小参数问题。1981年B.C.穆尔指出：集结、时标分离和去耦（或部分去耦）三个概念是互相联系的。在时标分离基础上能得出满意的集结；系统部分去耦处理会得到完全集结的系统；同时考虑时标分离和去耦才能正确地将系统分解为子系统。
以上两种常用的大系统模型降阶方法都是基于大系统的时域模型（状态空间模型）的降阶方法。另外还有一些基于大系统的频域模型（传递函数模型）的降阶方法，特别是适合于多输入多输出系统的降阶方法，如帕德－劳思混合法、帕德－模态混合法、矩阵连分式法等，但矩阵连分式法只能用于输入维数等于输出维数的情况。
参考书目
M.詹姆希迪著,陈中基、黄昌熙译:《大系统：建模与控制》,科学出版社,北京，1986。(M.Jamshidi, Large-Scale Systems: Modellingand Control, North-Holland, Amsterdam, 1983。)
M.S.Mahmoud and M.G.Singh, Large Scale SystemsModelling, Pergamon Press, Oxford, 1981.
集结法 集结法是1948年A.纳塔夫在构造宏观经济模型时首先提出来的。1966～1968年，P.库利科夫斯基和青木正直用集结法简化大规模动态系统模型获得成功。在电力系统中,常发现某些发电机同时发生振荡,这一事实表明可将某些发电机归并为一等效发电机。将系统中众多状态变量按线性组合归并成少数新的状态变量，称为集结。用新状态组成的系统模型就是简化的模型。简化模型应保留原模型的主要的动态特性。
在建立大系统模型的过程中，应对系统的集结和分解程度进行决策。在建立模型后，用集结法进一步简化模型。设所得到的大系统模型为
(1)
式中x为n维状态向量，u为r维控制向量，矩阵A和B有相应的维数。对状态向量x各分量进行线性组合得到新的状态变量zi，i=1,2,...,m,且m＜n。以z表示新状态向量,即有z＝ Cx，这里C是m×n矩阵，称为集结矩阵。对应z 存在一个模型
(2)
式中F是m×m 矩阵，G是m×r 矩阵。如果
(3)
(4)
则模型(2)是(1)的一个完全集结的简化模型。条件(3)保证模型（2）中矩阵F的特征值与矩阵A的m个特征值相同(设A有n个相异特征值)。如果这m个特征值是原模型(1)的主导特征值,则模型(2)的动态特性与原模型的动态特性只有微小差别。条件(4)保证稳定态时集结关系z=Cx成立。简化模型(2)导出的反馈控制，只改变矩阵F所保留的主导特征值。将此控制作用施加于原系统时，不改变原系统的稳定性和可控性。集结矩阵C应使状态z与原状态x有易于理解的物理对应关系，但很难找到满足条件(3)的矩阵F，只能得到近似的完全集结的简化模型。简化模型状态向量的维数m，即矩阵C的秩，它的选择取决于矩阵A主导特征值的数目。简化模型阶次m的选择，实际上是系统识别中阶次的识别问题。
奇异摄动法 大系统模型简化的一种重要方法。摄动是指系统数学模型中某些数量级较低的小参数的变动。当诸小参数摄动还不致严重改变系统的动态特性时，称为正则摄动。应用小参数摄动研究事物在某些特殊情况下的特征，称为奇异摄动法，如空气动力学中常用奇异摄动法研究超声流中的层流。在大系统理论中，它主要用于模型简化。
用奇异摄动法简化大系统的模型是70年代P.V.科科托维奇提出来的。因为大系统的数学模型中有一类测量精度低的小参数，其值又随环境和运行情况波动。因此在大系统的模型中可用一个摄动的小参数μ来概括地表示它。这样，在列出大系统的动态方程时，可将它分解为两部分：慢过程部分和包含小参数的快过程部分。大多数的大系统都具有这种性质。这时小参数μ乘上快过程状态向量的时间导数出现在快过程状态方程的左侧。
设大系统动态方程组的解存在且惟一，当μ摄动时，解也随着摄动。μ=0时快过程部分的动态方程成为奇异的，故称为奇异摄动。此时快过程部分的动态方程退化为代数方程,其解发生跳变。这样,大系统的动态方程退化为维数较低的退化方程，只要此代数方程的根是稳定根，则退化方程的解就是原系统动态方程的解在μ→0+时的极限。因此可用此解来近似地代替原动态方程的解。
将系统动态方程分离为慢过程和快过程，称为时标分离。集结法也有时标分离的作用。就这一点来说，这两种模型简化方法有类似之处。在列出系统方程时，凭借对系统的理解和参数的数量级分离出快和慢两类过程。
基于简化模型得出的反馈控制,用于原系统时,由于状态x仍然同状态z关联着，有时候会得到一个不稳定的或有明显振荡的系统。此时，对快子系统和慢子系统分别设计反馈控制是解决整个系统控制问题的好办法。在设计快子系统控制（包括边界层控制）时，慢子系统状态取确定的序列值。
奇异摄动法还用来简化黎卡提方程的解和处理其他形式的小参数问题。1981年B.C.穆尔指出：集结、时标分离和去耦（或部分去耦）三个概念是互相联系的。在时标分离基础上能得出满意的集结；系统部分去耦处理会得到完全集结的系统；同时考虑时标分离和去耦才能正确地将系统分解为子系统。
以上两种常用的大系统模型降阶方法都是基于大系统的时域模型（状态空间模型）的降阶方法。另外还有一些基于大系统的频域模型（传递函数模型）的降阶方法，特别是适合于多输入多输出系统的降阶方法，如帕德－劳思混合法、帕德－模态混合法、矩阵连分式法等，但矩阵连分式法只能用于输入维数等于输出维数的情况。
参考书目
M.詹姆希迪著,陈中基、黄昌熙译:《大系统：建模与控制》,科学出版社,北京，1986。(M.Jamshidi, Large-Scale Systems: Modellingand Control, North-Holland, Amsterdam, 1983。)
M.S.Mahmoud and M.G.Singh, Large Scale SystemsModelling, Pergamon Press, Oxford, 1981.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条