Air Pollution Monitoring System with Prediction Abilities Based on Smart Autonomous Sensors Equipped with ANNs with Novel Training Scheme
Notice bibliographique
Résumé
The paper presents a concept of an air pollution monitoring system with prediction abilities, based on wireless smart sensors, that takes into account local conditions (microclimate) prevailing in particular areas of the city. In most cases reported in the literature, artificial neural networks (ANNs) are used to predict future pollution levels. In existing solutions of this type, ANNs are trained with generalized datasets common for larger areas, e.g., cities. Our investigations show, however, that conditions may strongly differ even between particular streets in the city, which may impact prediction quality. This results from varying density of urban development, different levels of insolation, airiness, amounts of greenery, etc. As a result, with similar values of ANN input signals, such as current pollution levels, temperature, pressure, etc., the results of the prediction may differ significantly from reality. For this reason, we propose an innovative solution, in which particular sensors are equipped with miniaturized low-power ANNs, trained with datasets gathered directly from their closest environment, without a need for the obtaining of such data from a base station. This may simplify the installation and maintenance process of a network of such sensors. In a further part of this work, we dealt with solutions that enable the reduction of the computational complexity of ANNs in the case of their implementation on specialized integrated circuits. We propose replacing the most complex mathematical operations used in the learning algorithm with simpler solutions. A prototype chip containing the main blocks of such an ANN was also designed.
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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».