根据对来自气体传感器阵列的多维数据分析,提高了地表水样本的分类能力
Magdalena Piłat-Rożek1, Grzegorz Łagód2
1Department of Applied Mathematics, Lublin University of Technology, Lublin, Poland.
Annals of agricultural and environmental medicine : AAEM
|June 30, 2025
概括
这项研究改进了电子鼻子 (e-nose) 技术,用于评估水质. 机器学习模型在分类河流和排水样本方面取得了高精度,改进了以前的方法.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 电子鼻子 (e-noses) 显示出区分水类的潜力.
- 之前的电子鼻子研究可能有改善分类准确性的空间.
- 准确地对地表水进行分类对于环境监测至关重要.
研究的目的:
- 为了提高地表水样本的分类准确度,使用电子鼻子.
- 通过先进的传感器阵列分析来完善水质评估.
- 为了比较机器学习模型的性能,用于水样分类.
主要方法:
- 利用17气体传感器阵列从河水,排水和合成空气中收集数据.
- 使用t-SNE和k-medians进行无监督的维度缩小,可视化和集群.
- 训练并比较监督分类器XGBoost和AdaBoost.M1以获得分类准确度.
主要成果:
- t-SNE可视化和k-中位数聚类有效地区分了水样类型.
- XGBoost实现了88.8%的分类准确度.
- 在测试组中,AdaBoost.M1的分类准确率达到89.2%.
结论:
- 电子鼻子系统在区分和分类地表水样本方面表现出高精度.
- 尽管有统计方面的细微差别,但e-nose提供了一种可靠的水质评估方法.
- 这项研究促进了电子鼻子在环境水源监测中的应用.
