Using Artificial Neural Network for Error Reduction in a Nondispersive Thermopile Device
Notice bibliographique
Résumé
The outputs of electronic devices are sensitive to the noise (thermal noise, background noise, etc.) and the change of operating conditions such as temperature or power supply voltage. As a result, the output data may have errors. Theoretically, if these changes are monitored, they can be used to support to correct the errors. The device using three nondispersive thermopiles to detect Fusarium encounters the same problem. The three outputs come from broadband, λ1, and λ2thermopiles. The broadband thermopile works in 1μm to 20μm range; λ1and λ2-thermopiles work in 6.09μm±0.02μm and 9.49μm±0.22μm respectively. One temperature sensor and two voltage-monitoring-modules were installed to monitor the operating conditions of the device. The information from the changes and the background noise of the device are used to train an artificial neural network. The training data are collected under unstable operating conditions. After the training, the trained neural network is used to fix errors in the output data. From the experiments results, the best error ratios of the raw and corrected data, Eraw/Ecorrected, are 23.6, 13.8, and 18.5, respectively. The results were achieved by applying the external training and forcing method. Through the promising results, the technique of using support inputs and artificial neural network to correct data can be applied in any device which encounters similar problem. This method can help to improve accuracy and reliability of the sensor systems.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».