論文の概要: A Universal and Robust Framework for Multiple Gas Recognition Based-on Spherical Normalization-Coupled Mahalanobis Algorithm
- arxiv url: http://arxiv.org/abs/2512.22792v2
- Date: Mon, 05 Jan 2026 13:46:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 14:31:43.632044
- Title: A Universal and Robust Framework for Multiple Gas Recognition Based-on Spherical Normalization-Coupled Mahalanobis Algorithm
- Title（参考訳）: 球面正規化結合型マハラノビスアルゴリズムによる多重ガス認識のための普遍的ロバストフレームワーク
- Authors: Shuai Chen, Yang Song, Chen Wang, Ziran Wang,
- Abstract要約: 本研究では,開集合ガス認識のための共通後処理モジュールである球正規化結合マハラノビス (SNM) モジュールを提案する。
Vergaraデータセットの実験により、Transformer+SNM構成は、複数のターゲットガス間での判別において、ほぼ理論的な限界性能を達成することが示された。
- 参考スコア（独自算出の注目度）: 16.05394499283827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic nose (E-nose) systems face two interconnected challenges in open-set gas recognition: feature distribution shift caused by signal drift and decision boundary failure induced by unknown gas interference. Existing methods predominantly rely on Euclidean distance or conventional classifiers, failing to account for anisotropic feature distributions and dynamic signal intensity variations. To address these issues, this study proposes the Spherical Normalization coupled Mahalanobis (SNM) module, a universal post-processing module for open-set gas recognition. First, it achieves geometric decoupling through cascaded batch and L2 normalization, projecting features onto a unit hypersphere to eliminate signal intensity fluctuations. Second, it utilizes Mahalanobis distance to construct adaptive ellipsoidal decision boundaries that conform to the anisotropic feature geometry. The architecture-agnostic SNM-Module seamlessly integrates with mainstream backbones including Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Transformer. Experiments on the public Vergara dataset demonstrate that the Transformer+SNM configuration achieves near-theoretical-limit performance in discriminating among multiple target gases, with an AUROC of 0.9977 and an unknown gas detection rate of 99.57% at 5% false positive rate, significantly outperforming state-of-the-art methods with a 3.0% AUROC improvement and 91.0% standard deviation reduction compared to Class Anchor Clustering (CAC). The module maintains exceptional robustness across five sensor positions, with standard deviations below 0.0028. This work effectively addresses the critical challenge of simultaneously achieving high accuracy and high stability in open-set gas recognition, providing solid support for industrial E-nose deployment.
- Abstract（参考訳）: 電子鼻(E-nose)システムは、信号ドリフトによって生じる特徴分布シフトと未知のガス干渉によって引き起こされる決定境界障害という、オープンセットのガス認識において、2つの相互接続の課題に直面している。
既存の手法は主にユークリッド距離や従来の分類器に依存しており、異方性の特徴分布や信号強度の変化を考慮できない。
これらの問題に対処するために、オープンセットガス認識のための共通後処理モジュールである球正規化結合マハラノビス (SNM) モジュールを提案する。
第一に、カスケードバッチとL2正規化による幾何学的デカップリングを実現し、信号強度の変動を排除するために、特徴を単位超球面に投影する。
第二に、マハラノビス距離を利用して、異方性特徴幾何学に適合する適応楕円型決定境界を構築する。
アーキテクチャに依存しないSNMモジュールは、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、トランスフォーマーなどのメインストリームのバックボーンとシームレスに統合される。
パブリックなVergaraデータセットの実験では、Transformer+SNM構成は、AUROCの0.9977と未知のガス検出率99.57%を5%の偽陽性率で達成し、AUROCの改善率3.0%、標準偏差率91.0%をクラスアンカークラスタリング(CAC)と比べて大幅に上回った。
モジュールは5つのセンサー位置で非常に頑丈であり、標準偏差は0.0028以下である。
この研究は、オープンセットガス認識において高い精度と高い安定性を同時に達成し、産業用Eノイズの展開を確実に支援するという、重要な課題に効果的に対処する。
関連論文リスト
- ICD-Net: Inertial Covariance Displacement Network for Drone Visual-Inertial SLAM [5.5217350574838875]
視覚-慣性SLAM性能を向上させる新しいフレームワークであるICD-Netを提案する。
従来のVINS-Fusionと比較して,軌道推定精度は有意に向上した。
ニューラルネットワークの強化は,SLAM劣化の複数の要因に効果的に対処できることを示す。
論文 参考訳（メタデータ） (2025-11-13T11:25:02Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Foggy Crowd Counting: Combining Physical Priors and KAN-Graph [19.690003059392893]
本稿では,大気散乱の物理的先行性を考慮した群衆計測手法を提案する。
濃霧のシナリオでは主流のアルゴリズムに比べて12.2%-27.5%のMAE測定値の削減が達成されている。
論文 参考訳（メタデータ） (2025-09-29T09:59:36Z) - Fluid Antenna System-assisted Physical Layer Secret Key Generation [64.92952968689636]
本稿では,流体アンテナシステム(FAS)を動的無線環境に適用することにより,多元系基地局システムにおける物理層生成(PLKG)について検討する。
本研究では,送信ビームフォーミングとポート選択を統合したPLKGモデルを提案する。
本論文で導入したスライディングウィンドウベースポート選択法は,動的ポート選択により,より少ないチェーンで高いKGRを実現する。
論文 参考訳（メタデータ） (2025-09-19T03:01:29Z) - Attention-Based Fusion of IQ and FFT Spectrograms with AoA Features for GNSS Jammer Localization [4.674584508653125]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
古典アングル・オブ・アーリバル (AoA) 法はマルチパス環境において精度を低下させる。
本研究では,ジャミング源の距離,方位,標高を推定しながら干渉の検出と分類を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2025-07-09T06:49:11Z) - Differentiable NMS via Sinkhorn Matching for End-to-End Fabric Defect Detection [2.2901095820275317]
ファブリック欠陥検出のためのNMSフレームワークは、エンドツーエンドの最適化により、より優れたローカライズ精度を実現する。
Sinkhorn-Knoppアルゴリズムを用いてNMSを微分可能な二部マッチング問題として再構成する。
Tianchiファブリック欠陥データセットの実験では、既存のメソッドよりも大幅にパフォーマンスが向上した。
論文 参考訳（メタデータ） (2025-05-11T16:22:58Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - Enhancing Reliability of Neural Networks at the Edge: Inverted
Normalization with Stochastic Affine Transformations [0.22499166814992438]
インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。
実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
論文 参考訳（メタデータ） (2024-01-23T00:27:31Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z)
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。