面向实际应用的化学多传感器件校准：定量机器学习方法的深入比较
人工智能
2020-02-14 v1 神经与进化计算
摘要
化学多传感器件需要校准算法来估计气体浓度。它们作为指示性空气质量测量器件的可能应用带来了新的挑战，因为需要在不受控环境中以连续监测模式运行。包括慢动态在内的若干问题持续影响着它们的实际性能。同时，在器件上估计污染物浓度的需求，尤其是对于可穿戴设备和物联网部署，正变得非常迫切。在此框架下，已有多种校准方法被提出并在各种专有器件和数据集上进行了测试；然而，尚无全面的比较可供研究者参考。本工作尝试根据近期文献对最有前景的校准算法进行基准测试，重点关注机器学习方法。我们使用三个共享连续监测操作方法的数据集，从绝对性能与动态性能、泛化能力以及计算/存储需求等方面测试这些技术。我们的结果可以指导研究者和工程师选择最优策略。结果表明，非线性多元技术产生可重复的结果，优于线性方法。具体而言，支持向量回归方法在所有考虑的场景中始终表现出良好的性能。我们强调了浅层神经网络在性能与计算/存储需求之间权衡时的增强适用性。我们在更广泛的基础上确认了动态方法相对于仅依赖瞬时传感器阵列响应的静态方法的优势。后者已被证明是在需要快速且精确响应时的最佳选择。
引用
@article{arxiv.1708.09175,
title = {Calibrating chemical multisensory devices for real world applications: An in-depth comparison of quantitative Machine Learning approaches},
author = {S. De Vito and E. Esposito and M. Salvato and O. Popoola and F. Formisano and R. Jones and G. Di Francia},
journal= {arXiv preprint arXiv:1708.09175},
year = {2020}
}