使用基于树的机器学习和传感器阵列响应的快速和强大的混合气体识别和识别

科学领域:

• 化学工程是化学工程的重要组成部分.
• 环境科学 环境科学
• 食品安全 食品安全
• 医学诊断 医学诊断 医学诊断

背景情况:

• 精确的气体混合物识别在各种科学和工业领域至关重要.
• 挑战包括区分类似气体和减轻传感器噪声.
• 在复杂的混合物中,现有的方法可能缺乏效率或准确性.

研究的目的:

• 开发一种有效和准确的方法来识别气体混合物.
• 使用传感器阵列对乙烯-甲和乙烯-一氧化碳 (CO) 混合物进行分类.
• 评估基于树的机器学习模型对气体分类的性能.

主要方法:

• 使用了四个传感器阵列来检测气体.
• 分析的气体混合物,其度高达600 ppm (CO) 和300 ppm (甲).
• 采用了16个功能,包括时间动态和统计指标,平均传感器响应用于降低噪音.
• 开发和比较决策树 (DT),随机森林 (RF) 和额外树木 (ET) 模型.

主要成果:

• 额外树木 (ET) 模型的分类准确度高达99.15%.
• 随机森林 (RF) 获得了95.86%的准确率,决策树 (DT) 获得了93.89%的准确率.
• 模型在较少的数据集 (60%) 上进行训练,预测时间显著减少.

结论:

• 额外树木模型为实验性气体识别提供了高度准确和高效的解决方案.
• 该方法有效地减轻了噪音,并提高了分类的稳定性.
• 这种方法在化学工程,环境监测和安全应用中具有广泛的应用.