Comparative Analysis of Machine Learning Techniques for Temperature Compensation in Microwave Sensors
Notice bibliographique
Résumé
The planar nature of microwave sensors leaves them vulnerable to ambient temperature changes with potential impact on the perception of the material under test. A temperature compensation technique is required to consider its direct effect on the dielectric property of materials. In this article, machine learning algorithms are employed in two configurations of classifier and regressor on frequency response of a split-ring resonator operating at 1.19 GHz. A wide range of dielectric constant is covered with concentrations of [0:20%:100%]-methanol/acetone in water with a temperature cycle of 25 °C–50 °C. This broad variety of cases captures the complicacy of entangled trends that are recognized using classifiers regardless of the measurement temperature. In the next step, the ambient temperature is extracted from the same measured data. This is accomplished by cascading the classifier with a regressor pool that contains trained parameters for individual classes. Highly accurate classification of material types followed by their corresponding temperature (using linear regression with$R^{2}=97$% averaged over tenfold cross validation and a mean absolute error of 0.58 °C) leads to investigating limit of detection in the proposed scheme. This step, through testing of [0:1%:5%] methanol in water, identified multilayer perceptron (MLP) and support vector machine (SVM) as the best performing algorithms. Final hyperparameter optimization yields parameters for these two models that provide accuracy of 0.97 and 0.99, respectively.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».