Intelligent Control of Bulk Tobacco Curing Schedule Using LS-SVM- and ANFIS-Based Multi-Sensor Data Fusion Approaches
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The bulk tobacco flue-curing process is followed by a bulk tobacco curing schedule, which is typically pre-set at the beginning and might be adjusted by the curer to accommodate the need for tobacco leaves during curing. In this study, the controlled parameters of a bulk tobacco curing schedule were presented, which is significant for the systematic modelling of an intelligent tobacco flue-curing process. To fully imitate the curer's control of the bulk tobacco curing schedule, three types of sensors were applied, namely, a gas sensor, image sensor, and moisture sensor. Feature extraction methods were given forward to extract the odor, image, and moisture features of the tobacco leaves individually. Three multi-sensor data fusion schemes were applied, where a least squares support vector machines (LS-SVM) regression model and adaptive neuro-fuzzy inference system (ANFIS) decision model were used. Four experiments were conducted from July to September 2014, with a total of 603 measurement points, ensuring the results' robustness and validness. The results demonstrate that a hybrid fusion scheme achieves a superior prediction performance with the coefficients of determination of the controlled parameters, reaching 0.9991, 0.9589, and 0.9479, respectively. The high prediction accuracy made the proposed hybrid fusion scheme a feasible, reliable, and effective method to intelligently control over the tobacco curing schedule.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle