配列の最適化と性能向上のための解釈可能なセンサー選択戦略

科学分野:

• センサー技術
• 人工知能
• データサイエンス

背景:

• 電子鼻 (E-nose) システムへのセンサーの統合が増加することで,ガス検出が改善されつつありますが,交叉感度や冗長性などの課題が生まれています.
• マルチセンサシステムの性能を向上させ,これらの制限を克服するために,配列の最適化は非常に重要です.

研究 の 目的:

• マルチセンサ配列の最適化のための解釈可能なセンサー選択戦略,SHMI-Selectを提案する.
• ハードウェアのコスト,コンピューティングの複雑性,および E-nose システムの情報冗長性を削減します.
• システムの適応性と安定性を様々なガス検出タスクに確保する.

主な方法:

• SHMI-Selectは,センサ選択のためのシャプリー値と相互情報を組み合わせる方法を開発した.
• 解釈性分析に基づく解釈可能なプライマリセンサの選択を実装した.
• 二次センサ識別のための相互情報と,最適な組み合わせのためのインクリメンタルアプローチを使用しました.
• 人間の呼吸,ワインの品質,環境ガスのデータセットについて検証した.

主要な成果:

• SHMI-Selectはすべてのデータセットでセンサーの冗長性を大幅に削減しました.
• 62. 5%のセンサーが少なく,呼吸データに対する精度が10%向上しました.
• 83.3%のセンサーの減少と18%のワイン分類の精度改善が実証されました.
• 環境ガス検出のR2が2%増加した62.5%のセンサーの減少を示した.

結論:

• SHMI-Selectメソッドは,Eノースセンサー配列を効果的に最適化し,複雑性とコストを削減します.
• 既存のアルゴリズムと比較して 精度やパフォーマンスを大幅に改善します
• E-ノースシステムの産業化に強い応用価値と経済的利益をもたらします.