کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7562597 | 1491521 | 2016 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Continuous chemical classification in uncontrolled environments with sliding windows
ترجمه فارسی عنوان
طبقه بندی شیمیایی مداوم در محیط های کنترل نشده با پنجره های کشویی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
طبقه بندی شیمیایی، التهاب مصنوعی، بینی بینی، آنلاین، پنجره کشویی، آرایه شیمیایی شیمیایی،
ترجمه چکیده
بینی های الکترونیکی دستگاه های حسگر هستند که می توانند با توجه به خواص یک مجموعه ای از سنسورهای گاز غیر انتخابی و برخی از الگوریتم های تشخیص الگوریتم فیزیکی شیمیایی را طبقه بندی کنند. با توجه به قابلیت انعطاف پذیری بالای آنها برای میزبان چندین سنسور در حالی که هنوز هم فشرده و سبک وزن هستند، بینیون ها یک تکنولوژی امیدوار کننده برای شناخت شیمیایی در دنیای واقعی هستند که نگرانی اصلی ما در این کار است. تحت این سناریوها، طبقه بندی معمولا در زیر تکرار جریان اصلی جریان اطلاعات بینی بعد از یک مرحله تقسیم بندی انجام می شود که هدف آن بهره گیری از همبستگی زمانی بین داده های الکترونیکی است. در این کار ما به بررسی اینکه چه میزان با توجه به بخش هایی از نمونه های تاخیری با استفاده از پنجره های کشویی ثابت طول را بررسی می کنیم، دقت طبقه بندی را بهبود می بخشد. آزمایش های گسترده در مورد انواع سناریوهای تجربی و انواع سنسورهای گاز، همراه با تجزیه و تحلیل دقت طبقه بندی سه طبقه بندی پیشرفته، از نتایج و یافته های ما پشتیبانی می کند. به طور خاص، مشخص شده است که پنجره های کشویی طول ثابت نتایج بهتر از مقادیر حسگر لحظه ای برای چند مدل طبقه بندی با اهمیت آماری بالا به دست می آید.
موضوعات مرتبط
مهندسی و علوم پایه
شیمی
شیمی آنالیزی یا شیمی تجزیه
چکیده انگلیسی
Electronic noses are sensing devices that are able to classify chemical volatiles according to the readings of an array of non-selective gas sensors and some pattern recognition algorithm. Given their high versatility to host multiple sensors while still being compact and lightweight, e-noses have demonstrated to be a promising technology to real-world chemical recognition, which is our main concern in this work. Under these scenarios, classification is usually carried out on sub-sequences of the main e-nose data stream after a segmentation phase which objective is to exploit the temporal correlation of the e-nose's data. In this work we analyze to which extent considering segments of delayed samples by means of fixed-length sliding windows improves the classification accuracy. Extensive experimentation over a variety of experimental scenarios and gas sensor types, together with the analysis of the classification accuracy of three state-of-the-art classifiers, support our conclusions and findings. In particular, it has been found that fixed-length sliding windows attain better results than instantaneous sensor values for several classifier models, with a high statistical significance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chemometrics and Intelligent Laboratory Systems - Volume 158, 15 November 2016, Pages 117-129
Journal: Chemometrics and Intelligent Laboratory Systems - Volume 158, 15 November 2016, Pages 117-129
نویسندگان
Javier G. Monroy, Esteban J. Palomo, Ezequiel López-Rubio, Javier Gonzalez-Jimenez,