一种使用主要组件分析和合成少数超采样技术算法的增强气体传感器数据分类方法.

科学领域:

• 材料科学 材料科学 材料科学
• 传感器技术 传感器技术
• 数据科学数据科学数据科学

背景情况:

• 气体传感器数据经常受到高维度和有限的样本大小的影响,阻碍了准确的分类.
• 开发强大的分类方法对于可靠的气体传感应用至关重要.
• 现有的方法可能会与不平衡的数据集和复杂的特征空间作斗争.

研究的目的:

• 为了提高碳黑 (CB-GE) 复合膜气体传感器的多维和小数据集的分类精度.
• 评估主要组件分析 (PCA) 和合成少数过量采样技术 (SMOTE) 在增强气体传感器数据分类方面的有效性.
• 为了比较支持向量机 (SVM) 和K-Nearest Neighbor (KNN) 算法的性能,使用和不使用数据预处理技术.

主要方法:

• 使用凝碳黑 (CB-GE) 复合膜传感器进行气体检测.
• 应用主要组件分析 (PCA) 用于降低传感器数据的维度.
• 用人合成少数群体过量采样技术 (SMOTE) 来增强数据以解决阶级不平衡问题.
• 实现了支持向量机 (SVM) 和K-近邻 (KNN) 算法用于气体类型分类 (乙醇,乙,空气).

主要成果:

• 在乙醇,乙和空气之间进行区分时,获得了91.7%的整体分类准确度.
• PCA显著改善了分类性能,增加了曲线下的面积 (AUC) 评分15.7% (SVM) 和25.2% (KNN).
• 与多项式拟合相比,SMOTE 提高了 2.1% 的 KNN 精度,同时更好地保留了数据结构.

结论:

• PCA和SMOTE的组合提供了一个可扩展和有效的策略,用于提高气体传感器数据分类准确性,特别是在数据限制下.
• 这种方法显示了在各种应用中扩大气体传感器可靠性和有效性的潜力.
• 这些发现强调了数据预处理技术在最大限度地提高传感器数据分析机器学习算法的性能方面的重要性.