LOCALLY WEIGHTED REGRESSION IN SENSOR CALIBRATION TECHNIQUES
Notice bibliographique
Résumé
Recently, the technology of sensor arrays combined with a neural network system applied to multi-component analysis has been used in many industrial areas. For some difficult or inaccessible environments, such as the agricultural environment, nuclear reactors, underwater, and space environments, it is desirable that sensors are calibrated online for more reliable measurements.\n\nIn this thesis, research into a new technique of determining the individual component concentration in a mixture is described. Locally Weighted Regression (LWR), a memory-based statistical learning algorithm, combined with sensor fusion and a simulated, partially selective sensor array were used to identify individual concentrations in a mixture. The performance of the LWR technique was compared with the performance of the neural network technique. This thesis also presents an online sensor calibration scheme for an un-calibrated replacement sensor using the LWR technique.\n\nThe validity of the proposed scheme was evaluated through computer simulations and compared with artificial neural network results. The results show that the LWR technique is able to accurately determine the individual component concentrations in a mixture. Compared with the neural network technique, the LWR algorithm is more flexible and time saving for real-time measurements. This research has also shown that the calibration of a replacement sensor could be accomplished\nonline using the outputs of the other sensors in the sensor array as a reference for the calibration process.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».