СТАТИСТИЧЕСКИЕ МЕТОДЫ ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ ДЛЯ ОБУЧЕНИЯ МУЛЬТИСЕНСОРНОЙ ГАЗОАНАЛИТИЧЕСКОЙ СИСТЕМЫ
DOI:
https://doi.org/10.52167/1609-1817-2024-131-2-250-259Ключевые слова:
газовый сенсор, извлечение признаков, искусственное обоняние, классификация запахов, корреляционный анализ, машинное обучение, описательные статистики, регрессионный анализАннотация
Мультисенсорные газоаналитические системы типа «электронный нос» используются для детектирования утечки вредных газов, обнаружения опасных веществ, контроля качеств пищевых продуктов, в медицинской диагностике. В таких системах используются алгоритмы машинного обучения для реализации распознавания газов на основе близости сенсорных откликов на исследуемые аналиты и информационных признаков, использованных на этапе обучения. Для повышения точности классификации запахов необходимо развивать методы анализа сенсорных откликов для расширения наборов информационных признаков. В работе представлены результаты статистической обработки экспериментальных данных по изменению электрических характеристик восьми датчиков «электронного носа» как реакций на присутствие в воздухе летучих органических соединений от образцов сырой нефти. Показано, что анализ описательных статистических характеристик, методы регрессионного и кластерного анализа позволяют провести отбор коррелирующих факторов, ранжировать факторы по степени их влияния на сенсорные отклики.
Библиографические ссылки
[1] Persaud, K.C.; Dodd, G. Analysis of discrimination mechanisms in the mammalian olfactory system using a model nose // Nature. – 1982. – V. 299. – Pp. 352-355.
[2] Karakaya D., Ulucan O., Turkan M. Electronic nose and its applications: A survey //International journal of Automation and Computing. – 2020. – V. 17. – №. 2. – Pp. 179-209.
[3] Zaytsev V., Fedorov, F. S., Satybaldina D. et al. Rapid and accurate quality assessment method of recycled food plastics VOCs by electronic nose based on Al-doped zinc oxide // Journal of Cleaner Production. – 2023. – V. 418. – Paper N. 138042. https://doi.org/10.1016/j.jclepro.2023.138042
[4] Satybaldina, D., Baydeldinov, M., Issainova, A., Alseitov O., Konyrkhanova A., Akhmetova, Z., Seilov, S. Artificial Olfactory System for Distinguishing Oil-Contaminated Soils // WSEAS Transactions on Environment and Development. – 2023. V. 19. – Pp. 951–960.
[5] Сатыбалдина, Д., Исайнова, А., Альсеитов, О., Байдельдинов, М., Сеилов, Ш. Создание газоаналитической мультисенсорной системы типа «электронный нос» и исследование её производительности для задач экологического мониторинга // Вестник КазАТК. – 2023. – № 125(2). – С. 315–323.
[6] Сатыбалдина Д., Калымова К., Сыдыков Д. Применение трансфера обучения нейронных сетей при классификации изображений // Вестник КазНПУ им. Абая, серия «Физико-математические науки». -2023. - №1 (81). - С.159-169.
[7] TIBCO Data Science – Statistica. Available online: https://www.tibco.com/products/data-science/ (дата обращения 05 декабря 2023 года).
[8] Suhaidi M., Kadir R. A., Tiun S. A review of feature extraction methods on machine learning // Journal Information System and Technology Management. – 2021. – V. 6. – №. 22. – Pp. 51-59.
[9] Duo, A., Basagoiti, R., Arrazola, P. J., Aperribay, J., & Cuesta, M. The capacity of statistical features extracted from multiple signals to predict tool wear in the drilling process//International Journal of Advanced Manufacturing Technology. – 2019. – V.10 – Pp. 2133-2146.
[10] https://info.geology.gov.kz/ru/informatsiya/spravochnik-mestorozhdenij-kazakhstana/(дата обращения 05 декабря 2023 года).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Дина Сатыбалдина, Алия Исайнова , Наталья Глазырина, Алексей Шагабудинов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
