Improved Diverse Gaussian HMM and SVM ML Technique for Sensor Fault Detection and Classification in Air Quality Monitoring System
Notice bibliographique
Résumé
Internet of Things (IoT) based real-time applications are highly prone to sensor faults because of their deployment in a risky environment.One of the important applications of IoT that is in great demand in this modern era is the air quality monitoring system because of the increase in air pollution over the years around the globe.Hence handling the reliability issue of air quality sensors is of great concern.In this article, a data based diverse fault detection and classification technique is implemented to overcome the sensor fault issue involved in air quality monitoring systems.The proposed work is a two-phase process; first, a Gaussian Hidden Markov Model (GHMM) is used to perform sensor fault detection on real-time air quality sensor data to detect the presence of fault in sensors followed by performing sensor fault classification using a Support Vector Machine (SVM) on the faulty sensor data obtained from fault detection to identify the most difficult to find sensor fault types like 'Out of bounds' and 'Spike fault'.The proposed technique efficiently carries out sensor fault detection and classification with an overall accuracy of 99.48%.Compared to Machine Learning (ML) algorithms like Logistic Regression (LR), Naive Bayes (NB), and Multi-Layer Perceptron (MLP) the diverse proposed technique works well with a precision of 99.50%, recall of 99.08%, and an F1-score of 99.53%.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».