logo móvil
Contáctanos

Usando red neuronal recurrente para optimizar sistema de nariz electrónica con reducción de dimensionalidad

Autores: Zou, Yanan; Lv, Jianhui

Idioma: Inglés

Editor: MDPI

Año: 2020

Descargar PDF

Acceso abierto

Artículo científico
2020

Usando red neuronal recurrente para optimizar sistema de nariz electrónica con reducción de dimensionalidad


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Nariz electrónica
Sistema olfativo
Sensor de gas
Preprocesamiento de datos
Reconocimiento de patrones
Mejora de técnicas

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 45

Citaciones: Sin citaciones


Descripción
La nariz electrónica es un sistema olfativo electrónico que simula el mecanismo olfativo biológico, que incluye principalmente un sensor de gas, preprocesamiento de datos y reconocimiento de patrones. En los últimos años, las propuestas de nariz electrónica se han desarrollado ampliamente, lo que demuestra que la nariz electrónica es una herramienta considerablemente importante. Sin embargo, los estudios más recientes se centran en las aplicaciones de la nariz electrónica, lo que gradualmente descuida la mejora técnica inherente de la nariz electrónica. Aunque existen algunas propuestas sobre la mejora técnica, suelen prestar atención a la modificación del módulo del sensor de gas y apenas consideran la mejora de los dos últimos módulos. Por lo tanto, este documento optimiza el sistema de nariz electrónica desde la perspectiva del preprocesamiento de datos y el reconocimiento de patrones. Se utiliza una red neuronal recurrente (RNN) para el reconocimiento de patrones y garantizar la tasa de precisión y estabilidad. En cuanto al preprocesamiento de datos de alta dimensión, se utiliza el método de incrustación lineal local (LLE) para reducir la dimensionalidad. Los experimentos se realizan en base al conjunto de datos de deriva de sensor real, y los resultados muestran que el mecanismo de optimización propuesto no solo tiene una tasa de precisión y estabilidad más alta, sino que también tiene un tiempo de respuesta más bajo que los tres baselines. Además, en cuanto al uso del modelo RNN, los resultados experimentales también muestran su eficiencia en términos de ratio de recuperación, ratio de precisión y valor F1.

Otros recursos que podrían interesarte

Temas Virtualpro