Comparative Analysis of Machine Learning Techniques for Temperature Compensation in Microwave Sensors
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 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 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$R^{2}=97$ </tex-math></inline-formula> % 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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