基于异构传感器阵列信号的图驱动气体混合物识别与浓度估计模型
机器学习
2024-12-19 v1 信号处理
摘要
准确识别气体混合物并估计其浓度是在 various 工业应用中使用气体传感器阵列的关键任务。然而，现有模型面临着在异构数据集上泛化性差的问题，这限制了其可扩展性和实际应用性。为此，本研究开发了两种新型深度学习模型，将时序图结构与性能提升相结合：一种采用动态路由进行气体混合物分类的图增强胶囊网络（GraphCapsNet），一种利用自注意力进行浓度估计的图增强注意力网络（GraphANet）。两种模型均在加州大学欧文分校（UCI）机器学习仓库以及自建数据集上进行了验证，显示在气体混合物识别和浓度估计方面均优于最新模型。在分类任务中，GraphCapsNet 在多个数据集上实现了超过 98.00% 的准确率；在浓度估计中，GraphANet 在各种气体成分上实现了 R2 分数超过 0.96。GraphCapsNet 和 GraphANet 两种模型在准确率和稳定性方面均显著高于现有方法，为工业界可扩展的气体分析提供了有前景的解决方案。
引用
@article{arxiv.2412.13891,
title = {Graph-Driven Models for Gas Mixture Identification and Concentration Estimation on Heterogeneous Sensor Array Signals},
author = {Ding Wang and Lei Wang and Huilin Yin and Guoqing Gu and Zhiping Lin and Wenwen Zhang},
journal= {arXiv preprint arXiv:2412.13891},
year = {2024}
}