ЗАСТОСУВАННЯ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ В ТЕХНОЛОГІЇ ЕЛЕКТРОННОГО НОСА

Igor Olenych, O. Osadchuk

Анотація


У роботі досліджено методи ідентифікації газів інтелектуальною системою електронного носа. Реалізовано моделі багатокласової класифікації сенсорних даних, одержаних одноелементним газовим сенсором на основі графенового польового транзистора. Досліджено ефективність розпізнавання етанолу, аміаку, ацетону та толуолу у газоподібному стані за допомогою методів опорних векторів (SVM), градієнтного підсилювання (Gradient boosting), k-найближчих сусідів (KNN) та дерева рішень (Decision tree). Виявлено, що точність ідентифікації аналізованих газів суттєво залежить від їх концентрації. Встановлено, що метод KNN забезпечує надійну ідентифікацію газів у широкому діапазоні концентрацій. Продемонстровано можливість підвищення ефективності багатокласової класифікації сенсорних даних шляхом оптимізації гіперпараметрів моделей машинного навчання.

Ключові слова: інтелектуальний сенсор, ідентифікація газів, машинне навчання, багатокласова класифікація.


Повний текст:

PDF

Посилання


  1. Xu Y., Zhao X., Chen Y., Zhao W. Research on a mixed gas recognition and concentration detection algorithm based on a metal oxide semiconductor olfactory system sensor array // Sensors. – 2018. –Vol. 18. – P. 3264.
  2. Ye Z., Liu Y., Li Q. Recent progress in smart electronic nose technologies enabled with machine learning methods // Sensors. – 2021. – Vol. 21. – P. 7620.
  3. Capelli L., Sironi S., Del Rosso R. Electronic noses for environmental monitoring applications // Sensors. – 2014. – Vol. 14. – P. 19979–20007.
  4. Tan J., Xu J. Applications of electronic nose (e-nose) and electronic tongue (e-tongue) in food quality-related properties determination: A review // Artificial Intelligence in Agriculture. – 2020. – Vol 4. – P. 104–115.
  5. Lekha S., M. S. Recent advancements and future prospects on e-nose sensors technology and machine learning approaches for non-invasive diabetes diagnosis: A review // IEEE Rev. Biomed. Eng. – 2021. – Vol. 14. – P. 127–138.
  6. Vadala R., Pattnaik B., Bangaru S., Rai D., Tak J., Kashyap S., Verma U., Yadav G., Dhaliwal R.S., Mittal S., Hadda V., Madan K., Guleria R., Agrawal A., Mohan A. A review on electronic nose for diagnosis and monitoring treatment response in lung cancer // Journal of Breath Research. – 2023. – Vol. 17. – P. 024002.
  7. Huang S., Croy A., Panes-Ruiz L.A., Khavrus V., Bezugly V., Ibarlucea B., Cuniberti G. Machine learning-enabled smart gas sensing platform for identification of industrial gases // Adv. Intell. Syst. – 2022. – Vol. 4. – P. 2200016.
  8. Li H., Wang D., Zhang Y. Knowledge-based genetic algorithms data fusion and its application in mine mixed-gas detection // Journal of Software. – 2012. – Vol. 7. – P. 303–307.
  9. Haridas D., Chowdhuri A., Sreenivas K., Gupta V. Fabrication of SnO2 thin film based electronic nose for industrial environment // Proceedings of the IEEE Sensors Applications Symposium, Limerick, Ireland. – 2010. – P. 173–189.
  10. Maho P., Herrier C., Livache T., Comon P., Barthelmé S. Real-time gas recognition and gas unmixing in robot applications // Sensors and Actuators B: Chemical. – 2021. – Vol. 330. – P. 129111.
  11. Iskandarani M.Z. A novel odor key technique for security applications using electronic nose system // Am. J. Applied Sci. – 2010. – Vol. 7. – P. 1118–1122.
  12. Ma D., Gao J., Zhang Z., Zhao H. Gas recognition method based on the deep learning model of sensor array response map // Sensors and Actuators B: Chemical. – 2021. – Vol. 330. – P. 129349.
  13. Duy N.V., Thai N.X., Ngoc T.M., Le D.T.T., Hung C.M., Nguyen H., Tonezzer M., Hieu N.V., Hoa N.D. Design and fabrication of effective gradient temperature sensor array based on bilayer SnO2/Pt for gas classification // Sensors and Actuators B: Chemical. – 2022. – Vol. 351. – P. 130979.
  14. Hayasaka T., Lin A., Copa V.C., Lopez Jr L.P., Loberternos R.A., Ballesteros L.I.M., Kubota Y., Liu Y., Salvador A.A., Lin L. An electronic nose using a single graphene FET and machine learning for water, methanol, and ethanol // Microsystems & Nanoengineering. – 2020. – Vol. 6. – P. 50.
  15. Mirzaee-Ghaleh E., Taheri-Garavand A., Ayari F., Lozano J. Identification of fresh-chilled and frozen-thawed chicken meat and estimation of their shelf life using an E-nose machine coupled fuzzy KNN // Food Anal. Methods. – 2020. – Vol. 13. – P. 678–689.
  16. Kim E., Lee S., Kim J.H., Kim C., Byun Y.T., Kim H.S., Lee T. Pattern Recognition for Selective Odor Detection with Gas Sensor Arrays // Sensors. – 2012. – Vol. 12. – P. 16262–16273.
  17. Pławiak P., Maziarz W. Classification of tea specimens using novel hybrid artificial intelligence methods // Sensors and Actuators B: Chemical. – 2014. – Vol. 192. – P. 117–125.
  18. Liu H., Chu R.Z., Tang Z.A. Metal oxide gas sensor drift compensation using a two-dimensional classifier ensemble // Sensors. – 2015. – Vol. 15. – P. 10180−10193.
  19. Qu C., Liu C., Gu Y., Chai S., Feng C., Chen B. Open-set gas recognition: A case-study based on an electronic nose dataset // Sensors and Actuators B: Chemical. – 2022. – Vol. 360. – P. 131652.
  20. Su S., Hu J. Gas identification by a single metal-oxide-semiconductor sensor assisted by ultrasound // ACS Sensors. – 2019. – Vol. 4. – P. 2491−2496.
  21. Olenych I.B., Horbenko Y.Y., Monastyrskii L.S., Aksimentyeva O.I., Boyko Y.V. Humidity sensor element based on porous silicon – reduced graphene oxide sandwich-like structures // Molecular Crystals and Liquid Crystals. – 2023. – Vol. 767. – P. 9–15.
  22. Markoulidakis I., Rallis I., Georgoulas I., Kopsiaftis G., Doulamis A., Doulamis N. Multiclass Confusion Matrix Reduction Method and Its Application on Net Promoter Score Classification Problem // Technologies. – 2021. – Vol. 9. – P. 81.
  23. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 281–305.




DOI: http://dx.doi.org/10.30970/eli.25.5

Посилання

  • Поки немає зовнішніх посилань.