論文の概要: Unsupervised Attention-Based Multi-Source Domain Adaptation Framework for Drift Compensation in Electronic Nose Systems
- arxiv url: http://arxiv.org/abs/2409.13167v1
- Date: Fri, 20 Sep 2024 02:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 11:41:13.312822
- Title: Unsupervised Attention-Based Multi-Source Domain Adaptation Framework for Drift Compensation in Electronic Nose Systems
- Title（参考訳）: 電子ノイズシステムにおけるドリフト補償のための教師なしアテンションベースマルチソースドメイン適応フレームワーク
- Authors: Wenwen Zhang, Shuhao Hu, Zhengyuan Zhang, Yuanjin Zheng, Qi Jie Wang, Zhiping Lin,
- Abstract要約: 本稿では,E-noseシステムにおけるドリフト補償を伴うガス識別のための新しい枠組みを提案する。
AMDS-PFFAモデルは、複数のソースドメインからのラベル付きデータを効果的に活用する。
コンバージェンスの高い平均ガス認識精度を達成する。
- 参考スコア（独自算出の注目度）: 16.320912838687796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continuous, long-term monitoring of hazardous, noxious, explosive, and flammable gases in industrial environments using electronic nose (E-nose) systems faces the significant challenge of reduced gas identification accuracy due to time-varying drift in gas sensors. To address this issue, we propose a novel unsupervised attention-based multi-source domain shared-private feature fusion adaptation (AMDS-PFFA) framework for gas identification with drift compensation in E-nose systems. The AMDS-PFFA model effectively leverages labeled data from multiple source domains collected during the initial stage to accurately identify gases in unlabeled gas sensor array drift signals from the target domain. To validate the model's effectiveness, extensive experimental evaluations were conducted using both the University of California, Irvine (UCI) standard drift gas dataset, collected over 36 months, and drift signal data from our self-developed E-nose system, spanning 30 months. Compared to recent drift compensation methods, the AMDS-PFFA model achieves the highest average gas recognition accuracy with strong convergence, attaining 83.20% on the UCI dataset and 93.96% on data from our self-developed E-nose system across all target domain batches. These results demonstrate the superior performance of the AMDS-PFFA model in gas identification with drift compensation, significantly outperforming existing methods.
- Abstract（参考訳）: 電子鼻(E-nose)システムを用いた産業環境における有害・有害・爆発・可燃性ガスの連続的・長期モニタリングは、ガスセンサの時間変化によるガス識別精度の低下という重大な課題に直面している。
この問題に対処するために,E-noseシステムにおいて,ドリフト補償を伴うガス識別のための非監視型マルチソースドメイン共有プライベート機能融合適応(AMDS-PFFA)フレームワークを提案する。
AMDS-PFFAモデルは、初期段階で収集された複数のソースドメインからのラベル付きデータを有効利用し、ターゲットドメインからのラベルなしガスセンサアレイドリフト信号中のガスを正確に識別する。
このモデルの有効性を検証するため、カリフォルニア大学アーバイン校(UCI)の標準ドリフトガスデータセット(36ヶ月以上)と、自家製E-noseシステムからのドリフト信号データ(30ヶ月)を用いて、広範囲な実験的評価を行った。
近年のドリフト補償法と比較して、AMDS-PFFAモデルは強い収束率で、UCIデータセットで83.20%、ターゲット領域のバッチで開発したE-noseシステムからのデータで93.96%に達する。
これらの結果は, ドリフト補償によるガス識別におけるAMDS-PFFAモデルの優れた性能を示し, 既存手法よりも優れていた。
関連論文リスト
- Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。
センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。
弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
論文 参考訳（メタデータ） (2024-11-11T12:20:57Z) - Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。
モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。
さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文 参考訳（メタデータ） (2024-10-16T07:48:53Z) - Comprehensive Monitoring of Air Pollution Hotspots Using Sparse Sensor Networks [5.964549794346141]
2018年5月1日から2020年11月1日までの30ヶ月にわたって、New Delhiの既存のセンサネットワークを28の低コストセンサーで拡張し、PM2.5データを収集しました。
このデータに定式化されたホットスポットの定義を適用すると、公共ネットワークによって検出された660個のホットスポットの確認とは別に、189個の隠れホットスポットが存在することが判明した。
この結果から,データ駆動予測モデルと物理に基づく力学モデルを統合することの重要性が示唆された。
論文 参考訳（メタデータ） (2024-10-05T23:35:00Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - An Adaptive GViT for Gas Mixture Identification and Concentration
Estimation [9.331787778137945]
ガス識別の精度は97.61%に達し、純粋なガス濃度推定のR2は平均で99.5%を超える。
GViTモデルは、センサアレイの可変長リアルタイム信号データを入力として直接利用することができる。
論文 参考訳（メタデータ） (2023-03-10T03:37:05Z) - Fault Detection for Non-Condensing Boilers using Simulated Building
Automation System Sensor Data [0.0]
建設性能はコミッショニング後に著しく低下し、エネルギー消費が増加し、温室効果ガスが排出される。
既存のセンサネットワークとIoTデバイスを使用した継続的なコミッショニングは、この無駄を最小限にする可能性がある。
ボイラ性能研究のレビューは, 共通の欠陥と劣化した性能条件のセットの開発に用いられている。
このデータは、K-アネレスト、決定木、ランダムフォレスト、サポートベクトルマシンを用いた断層分類のトレーニングとテストに使用される。
論文 参考訳（メタデータ） (2022-05-13T18:47:16Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Unsupervised Domain Adaptation for Speech Recognition via Uncertainty
Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文 参考訳（メタデータ） (2020-11-26T18:51:26Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。