基于金属氧化物气敏阵列与机器学习在复杂混合物挥发性有机化合物分析中的应用
通过使用时间序列分类算法,利用电子鼻测量的离散图进行分类和分析,本研究首次将离散图解释为一系列逐渐发展的测量,并通过实验证明,长短期记忆神经网络可以在分类上达到最高的准确度为 88%。这一新的分类方法为离散图的分析和分类提供了一种新的视角,并公开分享了一组新的离散图数据集。
Jan, 2024
本研究介绍了一种新的化学传感器阵列分类方法 ChemTime,以解决硬件传感器阵列在化学感知中的快速分类和推理时间最小化的挑战,并取得了良好的性能和准确度。
Dec, 2023
本文提出了开发一种可在任何地方使用的便携式空气质量检测设备,该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量,同时通过 ThinkSpeak 云平台存储和可视化数据,并进行机器学习分析。
Jul, 2023
利用机器学习模型,通过气体混合物和吸附剂的物理特性向量,准确预测可炭分子筛膜内的单一和混合气体在聚合物和金属 - 有机框架两种类别材料中的吸附趋势,并提供预测复杂吸附过程的新方法。
Jun, 2024
神经形态计算是一种能够显著降低机器学习和人工智能功耗的少数几种方法之一。本文提出了一种在神经型架构上运行的受哺乳动物嗅球电路启发的气味学习算法,并在评估其对不同气味感知的快速在线学习和识别性能时,使用了一组气体传感器的记录数据并通过脉冲噪声进行破坏。本文复制了部分研究,并发现了影响某些结论的局限性,其包括使用的数据集存在传感器漂移和非随机测量协议,从而在气味识别基准测试中具有有限的用途。此外,我们发现该模型在对相同气体的重复展示上具有推广能力的限制。我们证明该研究所涉及的任务可以通过简单的哈希表方法解决,匹配或超过了报告中的准确性和运行时间。因此,需要显示模型的验证超出恢复学习数据样本的范畴,特别是其对气味识别任务的适用性。
Sep, 2023
该研究介绍了一种新的优化策略,采用快速集成学习模型委员会方法来实现在 IoT 中既节能又具备高性能的化学电阻型传感器阵列的发展。该策略通过使用弹性网回归、随机森林、XGBoost 等机器学习模型,识别出在 CRS 阵列中对准确分类有最大影响力的传感器,并引入加权投票机制来汇集模型的意见,从而设置两种不同的工作模式:“蓝色” 和 “绿色”。蓝色模式通过使用所有传感器以实现最大的检测能力,而绿色模式仅激活关键传感器,显著减少能量消耗而不影响检测准确性。该策略通过理论计算和蒙特卡洛模拟进行验证,证明其有效性和准确性。此提出的优化策略不仅提升了 CRS 阵列的检测能力,还将其接近理论极限,对于低成本、易于制造的下一代 IoT 传感器终端的发展具有重大影响。
Mar, 2024
本研究提出了一种在线去相关化化学传感器信号的方法,旨在通过处理同时读取的环境湿度和温度的数据,提高电子鼻系统的连续监测准确性。通过模拟和实验证实这种方法对信号进行处理,使电子鼻系统的温度和湿度变化对其结果产生的影响较小,同时,采用模式识别算法改善分析性能和稳定性。
Aug, 2016
通过优化线性分类器的 ' 模式匹配 ' 描述符,研究了 24 维电导率电子鼻的相对阻抗和电流调制,允许识别不同类别的信息模式,并无人监督地对环境进行聚类。通过其电子实现,该研究可减少电导率电子鼻在无人监督的情况下对环境识别的计算要求。
Jan, 2024
通过活跃的迁移学习神经网络,利用有限的可得数据,设计了一种更有效的电催化材料,可用于捕获和减少二氧化碳排放以及其他气体分离和催化应用。
Nov, 2023
本研究使用可解释人工智能方法的 SHAP,通过机器学习从中识别贡献最大的传感器来检测感测器之间的变化,并利用奥氮平来测试其方法的应用性,从而证明了这种方法可以提高传感器方法的效率和准确性。
Jun, 2023