- ข้อความ
- ประวัติศาสตร์
3. Feature extractionFeature extrac
3. Feature extraction
Feature extraction is an important step in E-nose applications.
There are many feature extraction methods, but in our investigation the ‘‘mean-differential coefficient value’’ (MDCV) (Yin and Tian, 2007) was selected as a feature of gas sensors signals, because the feature value can reflect the average velocity of sensors responses and represent their mainstream traits. The MDCV is defined by the following expression: whereNis the total number of the test results (N= 1500) of a sensor to one sample,xi thei-th test result of the sample,xi+1the (i+ 1)-th test result, andDtis a time interval (Dt=1 s) of two neighborhood test results.
As for humidity and temperature sensor, we directly regard the mean values of temperature and humidity to one sample as their features. After feature extraction, the size of feature matrix is 10515. The 105 is the number of samples, the 15 is representation of 13 MDCV of 13 gas sensors test results, a humidity value and a temperature value.
4. Optimization method
4.1. Expression of sensor discriminant ability
In multivariate statistical analysis, WilksK-statistic (Gao, 2005) is usually employed to test or evaluate discriminant ability of each variable to multi-class samples. The WilksK-statistic is defined by: whereK(m) is Wilks K-statistic correspondingmvariables (msensors),Dthe matrix of sum squares of deviations within classes, T the matrix of total sum squares of deviations for classes. In this investigation, DandTwere computed by the above feature matrix, m= 15, the class number of vinegar samples is 3. According toGao (2005), the K(m) can be expressed by:
The determinants of Eq.(3) are transformed by elimination with pivoting. These pivots are diagonal elements ofDorTand correspond to their respective sensors of the original array. In the process of the transforming, computational sequence is arbitrary, but the relation of pivot to sensor is one to one correspondence. This lay the foundation for selecting sensors by their discriminant ability. For the convenience of below, the right side of (3) is marked by U(1,2,...,m)
If m1 sensors are taken into account, then and the right side of (4) is also marked byU(1,2,...,m1).Obviously the next equation can be given by:
The Eq.(6)is regarded as the expression of discriminant ability of
them-th sensor in condition ofm1 sensors which have been selected, and the less the Um|(1,2,...,m1) value, the stronger the discriminant ability of the m-th sensors. Therefore some sensors
were stepwise selected by the method.
4.2. Sensors selection method
By the above method, we can give sensors selection step as
follows.
(1) The first sensor selection The discriminant ability of each sensor in original array can be calculated by the Eq.(7)
Because the discriminant ability of the sensor corresponding to the
min {Ui|0} (here assumed to be U1) is the strongest, the sensor is selected or not byF-test. TheFvalue (here labeled asF1) can be calculated by:
wherenis the total number of the distinguished samples (n= 105), kthe number of classes (k= 3). When a significance levelais given (in this paper theais 0.05) andF1>Fa, the sensor corresponding to the U1 will be selected, namely, the first sensor is selected. Otherwise the identification work is not achieved by the original array. (2) The second sensor selection Following the first sensor (here assumed to be thei-th sensor) is selected, the elimination transforms of theD
must be implemented, andD
(1)and(1)are simultaneously obtained, respectively. Then the each sensor discriminant ability of them1 residual sensors can be calculated
by:
AssumingU2to be min {Uj|1}, theFvalue (here labeled asF2) can be
calculated by
ifF2>Fa, the sensor corresponding to the U2will be selected. Otherwise, only one sensor is selected, i.e. the first selected sensor.
(3) The removing or not for the selected sensors
After the second sensor (here assumed to be thej-th sensor) is
selected, the elimination transforms of
must be also implemented, meanwhileD
(2)andT
(2) are also obtained, respectively. Then we can calculate the below two discriminant values
AssumingUmaxto be max {Ui,Uj}, the Fvalue (here labeled as
Fmax) can be calculated by:ifFmax>Fa, the two selected sensors are not removed, otherwise the
sensor corresponding to theUmaxis removed. (4) Generalizing the steps (2 and 3), assuming thatrsensors are selected throughptimes transforms (after every step, the transform must be implemented one time), their discriminant value can be calculated by:
AssumingUgmaxto be max {Ug}, theFvalue (here labeled asFgmax) can be calculated by:if Fgmax>Fa, none of the rselected sensors is removed, going to (5) step. Otherwise, the sensor corresponding to theUgmaxis removed, repeating the (4) step till no sensor is removed. (5) The selection of residual sensors or not We also assumeptimes transforms have been implemented andrsensor have been selected, and then discriminant ability of every residual sensor can be calculated by
AssumingUsminto be min {Us|(1,2,...,r)}, theFvalue (here labeled as
Fsmin) can be calculated by:if Fsmin>Fa, the sensor corresponding to the Usminshould be selected, repeating (4 and 5). Otherwise, none of the residual sensors is selected, and the process of sensor selection is over. It is noticeable that the transform of elimination with pivoting must be carried out one time with a sensor being selected or removed. Namely, the transform starts from the determinant of statistic of feature matrix corresponding to the original sensor array, and whenever a sensor is selected or removed the transform must be calculated one time. Only by this we can stepwise gain the expression of discriminant ability like Eq.(6)in the process of sensor selection.
Moreover, all selected sensors are marked according to their selected sequence, and an ordered set consisting of the selected sensors is also obtained. There is crossreactivity among the selected sensors, so the relevance between these sensors must be existent, and the ordered set is not necessarily optimization array. Because the earlier a sensor is selected, the stronger the sensor’s discriminant ability, the optimization array may be designed by exploring the discrimination result of the first some sensors which are selected gradually and orderly from the set, and the exploring process is easily realized. The above sensor selection method has been implemented with the help of Borland C++ Builder 5 software tool.
Feature extraction is an important step in E-nose applications.
There are many feature extraction methods, but in our investigation the ‘‘mean-differential coefficient value’’ (MDCV) (Yin and Tian, 2007) was selected as a feature of gas sensors signals, because the feature value can reflect the average velocity of sensors responses and represent their mainstream traits. The MDCV is defined by the following expression: whereNis the total number of the test results (N= 1500) of a sensor to one sample,xi thei-th test result of the sample,xi+1the (i+ 1)-th test result, andDtis a time interval (Dt=1 s) of two neighborhood test results.
As for humidity and temperature sensor, we directly regard the mean values of temperature and humidity to one sample as their features. After feature extraction, the size of feature matrix is 10515. The 105 is the number of samples, the 15 is representation of 13 MDCV of 13 gas sensors test results, a humidity value and a temperature value.
4. Optimization method
4.1. Expression of sensor discriminant ability
In multivariate statistical analysis, WilksK-statistic (Gao, 2005) is usually employed to test or evaluate discriminant ability of each variable to multi-class samples. The WilksK-statistic is defined by: whereK(m) is Wilks K-statistic correspondingmvariables (msensors),Dthe matrix of sum squares of deviations within classes, T the matrix of total sum squares of deviations for classes. In this investigation, DandTwere computed by the above feature matrix, m= 15, the class number of vinegar samples is 3. According toGao (2005), the K(m) can be expressed by:
The determinants of Eq.(3) are transformed by elimination with pivoting. These pivots are diagonal elements ofDorTand correspond to their respective sensors of the original array. In the process of the transforming, computational sequence is arbitrary, but the relation of pivot to sensor is one to one correspondence. This lay the foundation for selecting sensors by their discriminant ability. For the convenience of below, the right side of (3) is marked by U(1,2,...,m)
If m1 sensors are taken into account, then and the right side of (4) is also marked byU(1,2,...,m1).Obviously the next equation can be given by:
The Eq.(6)is regarded as the expression of discriminant ability of
them-th sensor in condition ofm1 sensors which have been selected, and the less the Um|(1,2,...,m1) value, the stronger the discriminant ability of the m-th sensors. Therefore some sensors
were stepwise selected by the method.
4.2. Sensors selection method
By the above method, we can give sensors selection step as
follows.
(1) The first sensor selection The discriminant ability of each sensor in original array can be calculated by the Eq.(7)
Because the discriminant ability of the sensor corresponding to the
min {Ui|0} (here assumed to be U1) is the strongest, the sensor is selected or not byF-test. TheFvalue (here labeled asF1) can be calculated by:
wherenis the total number of the distinguished samples (n= 105), kthe number of classes (k= 3). When a significance levelais given (in this paper theais 0.05) andF1>Fa, the sensor corresponding to the U1 will be selected, namely, the first sensor is selected. Otherwise the identification work is not achieved by the original array. (2) The second sensor selection Following the first sensor (here assumed to be thei-th sensor) is selected, the elimination transforms of theD
must be implemented, andD
(1)and(1)are simultaneously obtained, respectively. Then the each sensor discriminant ability of them1 residual sensors can be calculated
by:
AssumingU2to be min {Uj|1}, theFvalue (here labeled asF2) can be
calculated by
ifF2>Fa, the sensor corresponding to the U2will be selected. Otherwise, only one sensor is selected, i.e. the first selected sensor.
(3) The removing or not for the selected sensors
After the second sensor (here assumed to be thej-th sensor) is
selected, the elimination transforms of
must be also implemented, meanwhileD
(2)andT
(2) are also obtained, respectively. Then we can calculate the below two discriminant values
AssumingUmaxto be max {Ui,Uj}, the Fvalue (here labeled as
Fmax) can be calculated by:ifFmax>Fa, the two selected sensors are not removed, otherwise the
sensor corresponding to theUmaxis removed. (4) Generalizing the steps (2 and 3), assuming thatrsensors are selected throughptimes transforms (after every step, the transform must be implemented one time), their discriminant value can be calculated by:
AssumingUgmaxto be max {Ug}, theFvalue (here labeled asFgmax) can be calculated by:if Fgmax>Fa, none of the rselected sensors is removed, going to (5) step. Otherwise, the sensor corresponding to theUgmaxis removed, repeating the (4) step till no sensor is removed. (5) The selection of residual sensors or not We also assumeptimes transforms have been implemented andrsensor have been selected, and then discriminant ability of every residual sensor can be calculated by
AssumingUsminto be min {Us|(1,2,...,r)}, theFvalue (here labeled as
Fsmin) can be calculated by:if Fsmin>Fa, the sensor corresponding to the Usminshould be selected, repeating (4 and 5). Otherwise, none of the residual sensors is selected, and the process of sensor selection is over. It is noticeable that the transform of elimination with pivoting must be carried out one time with a sensor being selected or removed. Namely, the transform starts from the determinant of statistic of feature matrix corresponding to the original sensor array, and whenever a sensor is selected or removed the transform must be calculated one time. Only by this we can stepwise gain the expression of discriminant ability like Eq.(6)in the process of sensor selection.
Moreover, all selected sensors are marked according to their selected sequence, and an ordered set consisting of the selected sensors is also obtained. There is crossreactivity among the selected sensors, so the relevance between these sensors must be existent, and the ordered set is not necessarily optimization array. Because the earlier a sensor is selected, the stronger the sensor’s discriminant ability, the optimization array may be designed by exploring the discrimination result of the first some sensors which are selected gradually and orderly from the set, and the exploring process is easily realized. The above sensor selection method has been implemented with the help of Borland C++ Builder 5 software tool.
0/5000
3. Feature extraction
Feature extraction is an important step in E-nose applications.
There are many feature extraction methods, but in our investigation the ‘‘mean-differential coefficient value’’ (MDCV) (Yin and Tian, 2007) was selected as a feature of gas sensors signals, because the feature value can reflect the average velocity of sensors responses and represent their mainstream traits. The MDCV is defined by the following expression: whereNis the total number of the test results (N= 1500) of a sensor to one sample,xi thei-th test result of the sample,xi+1the (i+ 1)-th test result, andDtis a time interval (Dt=1 s) of two neighborhood test results.
As for humidity and temperature sensor, we directly regard the mean values of temperature and humidity to one sample as their features. After feature extraction, the size of feature matrix is 10515. The 105 is the number of samples, the 15 is representation of 13 MDCV of 13 gas sensors test results, a humidity value and a temperature value.
4. Optimization method
4.1. Expression of sensor discriminant ability
In multivariate statistical analysis, WilksK-statistic (Gao, 2005) is usually employed to test or evaluate discriminant ability of each variable to multi-class samples. The WilksK-statistic is defined by: whereK(m) is Wilks K-statistic correspondingmvariables (msensors),Dthe matrix of sum squares of deviations within classes, T the matrix of total sum squares of deviations for classes. In this investigation, DandTwere computed by the above feature matrix, m= 15, the class number of vinegar samples is 3. According toGao (2005), the K(m) can be expressed by:
The determinants of Eq.(3) are transformed by elimination with pivoting. These pivots are diagonal elements ofDorTand correspond to their respective sensors of the original array. In the process of the transforming, computational sequence is arbitrary, but the relation of pivot to sensor is one to one correspondence. This lay the foundation for selecting sensors by their discriminant ability. For the convenience of below, the right side of (3) is marked by U(1,2,...,m)
If m1 sensors are taken into account, then and the right side of (4) is also marked byU(1,2,...,m1).Obviously the next equation can be given by:
The Eq.(6)is regarded as the expression of discriminant ability of
them-th sensor in condition ofm1 sensors which have been selected, and the less the Um|(1,2,...,m1) value, the stronger the discriminant ability of the m-th sensors. Therefore some sensors
were stepwise selected by the method.
4.2. Sensors selection method
By the above method, we can give sensors selection step as
follows.
(1) The first sensor selection The discriminant ability of each sensor in original array can be calculated by the Eq.(7)
Because the discriminant ability of the sensor corresponding to the
min {Ui|0} (here assumed to be U1) is the strongest, the sensor is selected or not byF-test. TheFvalue (here labeled asF1) can be calculated by:
wherenis the total number of the distinguished samples (n= 105), kthe number of classes (k= 3). When a significance levelais given (in this paper theais 0.05) andF1>Fa, the sensor corresponding to the U1 will be selected, namely, the first sensor is selected. Otherwise the identification work is not achieved by the original array. (2) The second sensor selection Following the first sensor (here assumed to be thei-th sensor) is selected, the elimination transforms of theD
must be implemented, andD
(1)and(1)are simultaneously obtained, respectively. Then the each sensor discriminant ability of them1 residual sensors can be calculated
by:
AssumingU2to be min {Uj|1}, theFvalue (here labeled asF2) can be
calculated by
ifF2>Fa, the sensor corresponding to the U2will be selected. Otherwise, only one sensor is selected, i.e. the first selected sensor.
(3) The removing or not for the selected sensors
After the second sensor (here assumed to be thej-th sensor) is
selected, the elimination transforms of
must be also implemented, meanwhileD
(2)andT
(2) are also obtained, respectively. Then we can calculate the below two discriminant values
AssumingUmaxto be max {Ui,Uj}, the Fvalue (here labeled as
Fmax) can be calculated by:ifFmax>Fa, the two selected sensors are not removed, otherwise the
sensor corresponding to theUmaxis removed. (4) Generalizing the steps (2 and 3), assuming thatrsensors are selected throughptimes transforms (after every step, the transform must be implemented one time), their discriminant value can be calculated by:
AssumingUgmaxto be max {Ug}, theFvalue (here labeled asFgmax) can be calculated by:if Fgmax>Fa, none of the rselected sensors is removed, going to (5) step. Otherwise, the sensor corresponding to theUgmaxis removed, repeating the (4) step till no sensor is removed. (5) The selection of residual sensors or not We also assumeptimes transforms have been implemented andrsensor have been selected, and then discriminant ability of every residual sensor can be calculated by
AssumingUsminto be min {Us|(1,2,...,r)}, theFvalue (here labeled as
Fsmin) can be calculated by:if Fsmin>Fa, the sensor corresponding to the Usminshould be selected, repeating (4 and 5). Otherwise, none of the residual sensors is selected, and the process of sensor selection is over. It is noticeable that the transform of elimination with pivoting must be carried out one time with a sensor being selected or removed. Namely, the transform starts from the determinant of statistic of feature matrix corresponding to the original sensor array, and whenever a sensor is selected or removed the transform must be calculated one time. Only by this we can stepwise gain the expression of discriminant ability like Eq.(6)in the process of sensor selection.
Moreover, all selected sensors are marked according to their selected sequence, and an ordered set consisting of the selected sensors is also obtained. There is crossreactivity among the selected sensors, so the relevance between these sensors must be existent, and the ordered set is not necessarily optimization array. Because the earlier a sensor is selected, the stronger the sensor’s discriminant ability, the optimization array may be designed by exploring the discrimination result of the first some sensors which are selected gradually and orderly from the set, and the exploring process is easily realized. The above sensor selection method has been implemented with the help of Borland C++ Builder 5 software tool.
Feature extraction is an important step in E-nose applications.
There are many feature extraction methods, but in our investigation the ‘‘mean-differential coefficient value’’ (MDCV) (Yin and Tian, 2007) was selected as a feature of gas sensors signals, because the feature value can reflect the average velocity of sensors responses and represent their mainstream traits. The MDCV is defined by the following expression: whereNis the total number of the test results (N= 1500) of a sensor to one sample,xi thei-th test result of the sample,xi+1the (i+ 1)-th test result, andDtis a time interval (Dt=1 s) of two neighborhood test results.
As for humidity and temperature sensor, we directly regard the mean values of temperature and humidity to one sample as their features. After feature extraction, the size of feature matrix is 10515. The 105 is the number of samples, the 15 is representation of 13 MDCV of 13 gas sensors test results, a humidity value and a temperature value.
4. Optimization method
4.1. Expression of sensor discriminant ability
In multivariate statistical analysis, WilksK-statistic (Gao, 2005) is usually employed to test or evaluate discriminant ability of each variable to multi-class samples. The WilksK-statistic is defined by: whereK(m) is Wilks K-statistic correspondingmvariables (msensors),Dthe matrix of sum squares of deviations within classes, T the matrix of total sum squares of deviations for classes. In this investigation, DandTwere computed by the above feature matrix, m= 15, the class number of vinegar samples is 3. According toGao (2005), the K(m) can be expressed by:
The determinants of Eq.(3) are transformed by elimination with pivoting. These pivots are diagonal elements ofDorTand correspond to their respective sensors of the original array. In the process of the transforming, computational sequence is arbitrary, but the relation of pivot to sensor is one to one correspondence. This lay the foundation for selecting sensors by their discriminant ability. For the convenience of below, the right side of (3) is marked by U(1,2,...,m)
If m1 sensors are taken into account, then and the right side of (4) is also marked byU(1,2,...,m1).Obviously the next equation can be given by:
The Eq.(6)is regarded as the expression of discriminant ability of
them-th sensor in condition ofm1 sensors which have been selected, and the less the Um|(1,2,...,m1) value, the stronger the discriminant ability of the m-th sensors. Therefore some sensors
were stepwise selected by the method.
4.2. Sensors selection method
By the above method, we can give sensors selection step as
follows.
(1) The first sensor selection The discriminant ability of each sensor in original array can be calculated by the Eq.(7)
Because the discriminant ability of the sensor corresponding to the
min {Ui|0} (here assumed to be U1) is the strongest, the sensor is selected or not byF-test. TheFvalue (here labeled asF1) can be calculated by:
wherenis the total number of the distinguished samples (n= 105), kthe number of classes (k= 3). When a significance levelais given (in this paper theais 0.05) andF1>Fa, the sensor corresponding to the U1 will be selected, namely, the first sensor is selected. Otherwise the identification work is not achieved by the original array. (2) The second sensor selection Following the first sensor (here assumed to be thei-th sensor) is selected, the elimination transforms of theD
must be implemented, andD
(1)and(1)are simultaneously obtained, respectively. Then the each sensor discriminant ability of them1 residual sensors can be calculated
by:
AssumingU2to be min {Uj|1}, theFvalue (here labeled asF2) can be
calculated by
ifF2>Fa, the sensor corresponding to the U2will be selected. Otherwise, only one sensor is selected, i.e. the first selected sensor.
(3) The removing or not for the selected sensors
After the second sensor (here assumed to be thej-th sensor) is
selected, the elimination transforms of
must be also implemented, meanwhileD
(2)andT
(2) are also obtained, respectively. Then we can calculate the below two discriminant values
AssumingUmaxto be max {Ui,Uj}, the Fvalue (here labeled as
Fmax) can be calculated by:ifFmax>Fa, the two selected sensors are not removed, otherwise the
sensor corresponding to theUmaxis removed. (4) Generalizing the steps (2 and 3), assuming thatrsensors are selected throughptimes transforms (after every step, the transform must be implemented one time), their discriminant value can be calculated by:
AssumingUgmaxto be max {Ug}, theFvalue (here labeled asFgmax) can be calculated by:if Fgmax>Fa, none of the rselected sensors is removed, going to (5) step. Otherwise, the sensor corresponding to theUgmaxis removed, repeating the (4) step till no sensor is removed. (5) The selection of residual sensors or not We also assumeptimes transforms have been implemented andrsensor have been selected, and then discriminant ability of every residual sensor can be calculated by
AssumingUsminto be min {Us|(1,2,...,r)}, theFvalue (here labeled as
Fsmin) can be calculated by:if Fsmin>Fa, the sensor corresponding to the Usminshould be selected, repeating (4 and 5). Otherwise, none of the residual sensors is selected, and the process of sensor selection is over. It is noticeable that the transform of elimination with pivoting must be carried out one time with a sensor being selected or removed. Namely, the transform starts from the determinant of statistic of feature matrix corresponding to the original sensor array, and whenever a sensor is selected or removed the transform must be calculated one time. Only by this we can stepwise gain the expression of discriminant ability like Eq.(6)in the process of sensor selection.
Moreover, all selected sensors are marked according to their selected sequence, and an ordered set consisting of the selected sensors is also obtained. There is crossreactivity among the selected sensors, so the relevance between these sensors must be existent, and the ordered set is not necessarily optimization array. Because the earlier a sensor is selected, the stronger the sensor’s discriminant ability, the optimization array may be designed by exploring the discrimination result of the first some sensors which are selected gradually and orderly from the set, and the exploring process is easily realized. The above sensor selection method has been implemented with the help of Borland C++ Builder 5 software tool.
การแปล กรุณารอสักครู่..
3. คุณสมบัติสกัด
สกัดคุณสมบัติเป็นขั้นตอนที่สำคัญในการใช้งาน E-จมูก.
ไม่มีคุณลักษณะวิธีการสกัดจำนวนมาก แต่ในการตรวจสอบของเรา '' หมายถึงความแตกต่างค่าสัมประสิทธิ์ '' (MDCV) (หยินและ Tian, 2007) ได้รับเลือกเป็น คุณลักษณะของสัญญาณเซ็นเซอร์ก๊าซเนื่องจากค่าคุณสมบัติสามารถสะท้อนให้เห็นถึงความเร็วเฉลี่ยของการตอบสนองเซ็นเซอร์และเป็นตัวแทนของลักษณะที่สำคัญของพวกเขา MDCV ถูกกำหนดโดยการแสดงออกต่อไปนี้: whereNis จำนวนรวมของผลการทดสอบ (ยังไม่มี = 1500) ของเซ็นเซอร์ให้เป็นหนึ่งในตัวอย่างซีอานผลการทดสอบของพวกเขา-th ของกลุ่มตัวอย่างที่ซีอาน + 1 รูปแบบ (i + 1) ผลการทดสอบ -Th , andDtis ช่วงเวลา (Dt = 1 s) ของสองผลการทดสอบพื้นที่ใกล้เคียง.
สำหรับความชื้นและเซ็นเซอร์อุณหภูมิเราโดยตรงถือว่าค่าเฉลี่ยของอุณหภูมิและความชื้นให้เป็นหนึ่งในตัวอย่างที่เป็นคุณสมบัติของพวกเขา หลังจากการสกัดคุณลักษณะขนาดของเมทริกซ์มีคุณลักษณะ 105? 15 105 คือจำนวนของตัวอย่างที่ 15 เป็นตัวแทนของ 13 MDCV 13 ก๊าซเซ็นเซอร์ผลการทดสอบค่าความชื้นและค่าของอุณหภูมิ.
4 วิธีการเพิ่มประสิทธิภาพ
4.1 การแสดงออกของความสามารถในการจำแนกเซ็นเซอร์
ในการวิเคราะห์ทางสถิติหลายตัวแปร WilksK-สถิติ (Gao, 2005) เป็นลูกจ้างมักจะการทดสอบหรือประเมินความสามารถในการจำแนกของแต่ละตัวแปรหลายระดับตัวอย่าง WilksK-สถิติที่ถูกกำหนดโดย: whereK (เมตร) คือวิลก์ส correspondingmvariables K-สถิติ (msensors), เมทริกซ์ dThe ของสี่เหลี่ยมผลรวมของการเบี่ยงเบนที่อยู่ในชั้นเรียน, เสื้อเมทริกซ์ของสี่เหลี่ยมผลรวมของการเบี่ยงเบนสำหรับการเรียน ในการตรวจสอบนี้ DandTwere คำนวณโดยเมทริกซ์คุณลักษณะข้างต้นเมตร = 15 จำนวนชั้นของตัวอย่างน้ำส้มสายชูคือ 3 อ้างอิงจาก toGao (2005), K (เมตร) สามารถแสดงโดย:
. ปัจจัยของสมการ (3) มีความ เปลี่ยนโดยการกำจัดกับแกน pivots เหล่านี้เป็นองค์ประกอบในแนวทแยง ofDorTand สอดคล้องกับเซ็นเซอร์ของตนอาร์เรย์เดิม ในกระบวนการของการเปลี่ยนลำดับการคำนวณเป็นข้อ แต่ความสัมพันธ์ของเดือยเซ็นเซอร์เป็น 1-1 การติดต่อ นี้วางรากฐานสำหรับการเลือกเซ็นเซอร์โดยความสามารถในการจำแนกของพวกเขา เพื่อความสะดวกของด้านล่างด้านขวาของ (3) มีการทำเครื่องหมายโดย U (1,2, ... , เมตร)
ถ้าม. 1 เซ็นเซอร์ถูกนำเข้าบัญชีแล้วและทางด้านขวาของ (4) นอกจากนี้ยังมีการทำเครื่องหมาย BYU (? 1,2, ... , ม. 1) .Obviously สมการต่อไปจะได้รับโดย:
. สม (6) ได้รับการยกย่องในฐานะการแสดงออกของความสามารถในการจำแนกของ
เซ็นเซอร์พวกเขา-th ใน OFM สภาพ 1 เซ็นเซอร์ซึ่ง? ได้รับการคัดเลือกและน้อย Um | (? 1,2, ... , ม. 1) มูลค่าที่แข็งแกร่งความสามารถในการจำแนกของเซ็นเซอร์ M-th ดังนั้นเซ็นเซอร์บางส่วน
ได้รับการคัดเลือกด้วยวิธีการแบบขั้นตอน.
4.2 วิธีการเลือกเซนเซอร์
โดยวิธีการดังกล่าวเราสามารถให้เซ็นเซอร์ขั้นตอนคัดเลือกเป็น
ดังนี้.
(1) ตัวเลือกแรกเซ็นเซอร์ความสามารถในการจำแนกของแต่ละเซ็นเซอร์ในอาร์เรย์เดิมสามารถคำนวณได้โดยสม. (7)
เพราะความสามารถในการจำแนกของเซ็นเซอร์ สอดคล้องกับ
นาที {ยู | 0} (สันนิษฐานว่าที่นี่จะเป็น U1) เป็นที่แข็งแกร่งเซ็นเซอร์จะถูกเลือกหรือไม่ Byf ทดสอบ TheFvalue (ติดป้ายที่นี่ asF1) สามารถคำนวณได้โดย:
wherenis จำนวนรวมของกลุ่มตัวอย่างที่แตกต่าง (n = 105) จำนวนของชั้นเรียน kthe (K = 3) เมื่อความสำคัญ levelais ที่กำหนด (ในบทความนี้ theais 0.05) andF1> ฟ้าเซ็นเซอร์สอดคล้องกับ U1 จะถูกเลือกคือเซ็นเซอร์แรกที่ถูกเลือก มิฉะนั้นการทำงานประจำตัวประชาชนที่ไม่ได้ประสบความสำเร็จโดยอาร์เรย์เดิม (2) ตัวเลือกที่สองต่อไปนี้เซ็นเซอร์เซ็นเซอร์แรก (สันนิษฐานว่าที่นี่จะเป็นเซ็นเซอร์ thei-th) ถูกเลือกการกำจัดการแปลงของ Thed
จะต้องดำเนินการ, ANDD
(1) และ (1) จะได้รับพร้อมกันตามลำดับ แล้วความสามารถในการจำแนกเซ็นเซอร์ของพวกเขาในแต่ละ 1 เซ็นเซอร์ที่เหลือสามารถคำนวณ
โดย:
AssumingU2to จะนาที {Uj | 1} theFvalue (ติดป้ายที่นี่ asF2) สามารถ
คำนวณโดย
ifF2> ฟ้า, เซ็นเซอร์ที่เกี่ยวข้องเพื่อ U2will ได้รับการคัดเลือก มิฉะนั้นเพียงคนเดียวที่ถูกเลือกเซ็นเซอร์คือเซ็นเซอร์เลือกแรก.
(3) ถอดหรือไม่ได้สำหรับเซ็นเซอร์ที่เลือก
หลังจากที่เซ็นเซอร์ที่สอง (สันนิษฐานว่าที่นี่จะได้รับการเซ็นเซอร์ thej-th) จะ
เลือกการกำจัดของแปลง
จะต้องดำเนินการนอกจากนี้ยังมี , meanwhileD
(2) Andt
(2) นอกจากนี้ยังจะได้รับตามลำดับ แล้วเราสามารถคำนวณด้านล่างสองค่าจำแนก
AssumingUmaxto จะสูงสุด {? อุ้ย, Uj} Fvalue (ติดป้ายที่นี่ในฐานะ
Fmax) สามารถคำนวณได้โดย: ifFmax> ฟ้าทั้งสองเซ็นเซอร์ที่เลือกจะไม่ถูกลบมิฉะนั้น
เซ็นเซอร์ที่สอดคล้องกับ theUmaxis ลบออก (4) Generalizing ขั้นตอน (2 และ 3), thatrsensors สมมติว่ามีการเลือกแปลง throughptimes (หลังจากทุกขั้นตอนการแปลงจะต้องดำเนินการครั้งเดียว) ค่าจำแนกของพวกเขาสามารถคำนวณได้โดย:
AssumingUgmaxto เป็นระดับสูงสุด {?} theFvalue ( ติดป้ายที่นี่ asFgmax) สามารถคำนวณได้โดยถ้า Fgmax> ฟ้าไม่มีเซ็นเซอร์ rselected จะถูกลบออกไป (5) ขั้นตอน มิฉะนั้นเซ็นเซอร์สอดคล้องกับ theUgmaxis ออกซ้ำ (4) ขั้นตอนจนไม่มีเซ็นเซอร์จะถูกลบออก (5) การเลือกของเซ็นเซอร์ที่เหลือหรือไม่นอกจากนี้เรายัง assumeptimes แปลงมีการดำเนินการ andrsensor ได้รับการเลือกและจากนั้นความสามารถในการจำแนกของทุกเซ็นเซอร์ที่เหลือสามารถคำนวณได้โดย
AssumingUsminto เป็นนาที {เรา | (1,2, ... , R )}, theFvalue (ติดป้ายที่นี่ในฐานะ
Fsmin) สามารถคำนวณได้โดยถ้า Fsmin> ฟ้า, เซ็นเซอร์ที่เกี่ยวข้องเพื่อ Usminshould ถูกเลือกซ้ำ (4 และ 5) มิฉะนั้นไม่มีเซ็นเซอร์ที่เหลือจะถูกเลือกและขั้นตอนของการเลือกเซ็นเซอร์ที่มีมากกว่า เป็นที่น่าสังเกตว่าการแปลงของการกำจัดกับแกนจะต้องดำเนินการอย่างใดอย่างหนึ่งเวลาที่มีเซ็นเซอร์รับเลือกหรือลบออก กล่าวคือการแปลงเริ่มต้นจากปัจจัยของสถิติของเมทริกซ์คุณลักษณะสอดคล้องกับอาร์เรย์เซ็นเซอร์เดิมและเมื่อใดก็ตามที่เซ็นเซอร์จะถูกเลือกหรือลบออกเปลี่ยนจะต้องคำนวณเวลาหนึ่ง โดยเฉพาะการที่เราสามารถทีละขั้นตอนได้รับการแสดงออกของความสามารถในการจำแนกเช่น EQ. (6) ในขั้นตอนของการเลือกเซ็นเซอร์.
นอกจากนี้เซ็นเซอร์ที่เลือกทั้งหมดจะถูกทำเครื่องหมายตามลำดับที่เลือกของพวกเขาและได้รับคำสั่งชุดประกอบด้วยเซ็นเซอร์ที่เลือกจะได้รับยัง . มี crossreactivity หมู่เซ็นเซอร์ที่เลือกเพื่อความระหว่างเซ็นเซอร์เหล่านี้จะต้องมีอยู่และชุดคำสั่งให้ไม่จำเป็นต้องเพิ่มประสิทธิภาพอาร์เรย์ เพราะก่อนหน้านี้เซ็นเซอร์จะถูกเลือกที่แข็งแกร่งความสามารถในการจำแนกของเซ็นเซอร์อาร์เรย์เพิ่มประสิทธิภาพอาจได้รับการออกแบบโดยการสำรวจผลการเลือกปฏิบัติในครั้งแรกที่เซ็นเซอร์บางอย่างที่ได้รับการคัดเลือกค่อยๆและเป็นระเบียบเรียบร้อยจากชุดและขั้นตอนการสำรวจจะรู้ได้อย่างง่ายดาย วิธีการเลือกเซ็นเซอร์ดังกล่าวข้างต้นได้รับการดำเนินการด้วยความช่วยเหลือของ Borland C ++ Builder 5 เครื่องมือซอฟต์แวร์
สกัดคุณสมบัติเป็นขั้นตอนที่สำคัญในการใช้งาน E-จมูก.
ไม่มีคุณลักษณะวิธีการสกัดจำนวนมาก แต่ในการตรวจสอบของเรา '' หมายถึงความแตกต่างค่าสัมประสิทธิ์ '' (MDCV) (หยินและ Tian, 2007) ได้รับเลือกเป็น คุณลักษณะของสัญญาณเซ็นเซอร์ก๊าซเนื่องจากค่าคุณสมบัติสามารถสะท้อนให้เห็นถึงความเร็วเฉลี่ยของการตอบสนองเซ็นเซอร์และเป็นตัวแทนของลักษณะที่สำคัญของพวกเขา MDCV ถูกกำหนดโดยการแสดงออกต่อไปนี้: whereNis จำนวนรวมของผลการทดสอบ (ยังไม่มี = 1500) ของเซ็นเซอร์ให้เป็นหนึ่งในตัวอย่างซีอานผลการทดสอบของพวกเขา-th ของกลุ่มตัวอย่างที่ซีอาน + 1 รูปแบบ (i + 1) ผลการทดสอบ -Th , andDtis ช่วงเวลา (Dt = 1 s) ของสองผลการทดสอบพื้นที่ใกล้เคียง.
สำหรับความชื้นและเซ็นเซอร์อุณหภูมิเราโดยตรงถือว่าค่าเฉลี่ยของอุณหภูมิและความชื้นให้เป็นหนึ่งในตัวอย่างที่เป็นคุณสมบัติของพวกเขา หลังจากการสกัดคุณลักษณะขนาดของเมทริกซ์มีคุณลักษณะ 105? 15 105 คือจำนวนของตัวอย่างที่ 15 เป็นตัวแทนของ 13 MDCV 13 ก๊าซเซ็นเซอร์ผลการทดสอบค่าความชื้นและค่าของอุณหภูมิ.
4 วิธีการเพิ่มประสิทธิภาพ
4.1 การแสดงออกของความสามารถในการจำแนกเซ็นเซอร์
ในการวิเคราะห์ทางสถิติหลายตัวแปร WilksK-สถิติ (Gao, 2005) เป็นลูกจ้างมักจะการทดสอบหรือประเมินความสามารถในการจำแนกของแต่ละตัวแปรหลายระดับตัวอย่าง WilksK-สถิติที่ถูกกำหนดโดย: whereK (เมตร) คือวิลก์ส correspondingmvariables K-สถิติ (msensors), เมทริกซ์ dThe ของสี่เหลี่ยมผลรวมของการเบี่ยงเบนที่อยู่ในชั้นเรียน, เสื้อเมทริกซ์ของสี่เหลี่ยมผลรวมของการเบี่ยงเบนสำหรับการเรียน ในการตรวจสอบนี้ DandTwere คำนวณโดยเมทริกซ์คุณลักษณะข้างต้นเมตร = 15 จำนวนชั้นของตัวอย่างน้ำส้มสายชูคือ 3 อ้างอิงจาก toGao (2005), K (เมตร) สามารถแสดงโดย:
. ปัจจัยของสมการ (3) มีความ เปลี่ยนโดยการกำจัดกับแกน pivots เหล่านี้เป็นองค์ประกอบในแนวทแยง ofDorTand สอดคล้องกับเซ็นเซอร์ของตนอาร์เรย์เดิม ในกระบวนการของการเปลี่ยนลำดับการคำนวณเป็นข้อ แต่ความสัมพันธ์ของเดือยเซ็นเซอร์เป็น 1-1 การติดต่อ นี้วางรากฐานสำหรับการเลือกเซ็นเซอร์โดยความสามารถในการจำแนกของพวกเขา เพื่อความสะดวกของด้านล่างด้านขวาของ (3) มีการทำเครื่องหมายโดย U (1,2, ... , เมตร)
ถ้าม. 1 เซ็นเซอร์ถูกนำเข้าบัญชีแล้วและทางด้านขวาของ (4) นอกจากนี้ยังมีการทำเครื่องหมาย BYU (? 1,2, ... , ม. 1) .Obviously สมการต่อไปจะได้รับโดย:
. สม (6) ได้รับการยกย่องในฐานะการแสดงออกของความสามารถในการจำแนกของ
เซ็นเซอร์พวกเขา-th ใน OFM สภาพ 1 เซ็นเซอร์ซึ่ง? ได้รับการคัดเลือกและน้อย Um | (? 1,2, ... , ม. 1) มูลค่าที่แข็งแกร่งความสามารถในการจำแนกของเซ็นเซอร์ M-th ดังนั้นเซ็นเซอร์บางส่วน
ได้รับการคัดเลือกด้วยวิธีการแบบขั้นตอน.
4.2 วิธีการเลือกเซนเซอร์
โดยวิธีการดังกล่าวเราสามารถให้เซ็นเซอร์ขั้นตอนคัดเลือกเป็น
ดังนี้.
(1) ตัวเลือกแรกเซ็นเซอร์ความสามารถในการจำแนกของแต่ละเซ็นเซอร์ในอาร์เรย์เดิมสามารถคำนวณได้โดยสม. (7)
เพราะความสามารถในการจำแนกของเซ็นเซอร์ สอดคล้องกับ
นาที {ยู | 0} (สันนิษฐานว่าที่นี่จะเป็น U1) เป็นที่แข็งแกร่งเซ็นเซอร์จะถูกเลือกหรือไม่ Byf ทดสอบ TheFvalue (ติดป้ายที่นี่ asF1) สามารถคำนวณได้โดย:
wherenis จำนวนรวมของกลุ่มตัวอย่างที่แตกต่าง (n = 105) จำนวนของชั้นเรียน kthe (K = 3) เมื่อความสำคัญ levelais ที่กำหนด (ในบทความนี้ theais 0.05) andF1> ฟ้าเซ็นเซอร์สอดคล้องกับ U1 จะถูกเลือกคือเซ็นเซอร์แรกที่ถูกเลือก มิฉะนั้นการทำงานประจำตัวประชาชนที่ไม่ได้ประสบความสำเร็จโดยอาร์เรย์เดิม (2) ตัวเลือกที่สองต่อไปนี้เซ็นเซอร์เซ็นเซอร์แรก (สันนิษฐานว่าที่นี่จะเป็นเซ็นเซอร์ thei-th) ถูกเลือกการกำจัดการแปลงของ Thed
จะต้องดำเนินการ, ANDD
(1) และ (1) จะได้รับพร้อมกันตามลำดับ แล้วความสามารถในการจำแนกเซ็นเซอร์ของพวกเขาในแต่ละ 1 เซ็นเซอร์ที่เหลือสามารถคำนวณ
โดย:
AssumingU2to จะนาที {Uj | 1} theFvalue (ติดป้ายที่นี่ asF2) สามารถ
คำนวณโดย
ifF2> ฟ้า, เซ็นเซอร์ที่เกี่ยวข้องเพื่อ U2will ได้รับการคัดเลือก มิฉะนั้นเพียงคนเดียวที่ถูกเลือกเซ็นเซอร์คือเซ็นเซอร์เลือกแรก.
(3) ถอดหรือไม่ได้สำหรับเซ็นเซอร์ที่เลือก
หลังจากที่เซ็นเซอร์ที่สอง (สันนิษฐานว่าที่นี่จะได้รับการเซ็นเซอร์ thej-th) จะ
เลือกการกำจัดของแปลง
จะต้องดำเนินการนอกจากนี้ยังมี , meanwhileD
(2) Andt
(2) นอกจากนี้ยังจะได้รับตามลำดับ แล้วเราสามารถคำนวณด้านล่างสองค่าจำแนก
AssumingUmaxto จะสูงสุด {? อุ้ย, Uj} Fvalue (ติดป้ายที่นี่ในฐานะ
Fmax) สามารถคำนวณได้โดย: ifFmax> ฟ้าทั้งสองเซ็นเซอร์ที่เลือกจะไม่ถูกลบมิฉะนั้น
เซ็นเซอร์ที่สอดคล้องกับ theUmaxis ลบออก (4) Generalizing ขั้นตอน (2 และ 3), thatrsensors สมมติว่ามีการเลือกแปลง throughptimes (หลังจากทุกขั้นตอนการแปลงจะต้องดำเนินการครั้งเดียว) ค่าจำแนกของพวกเขาสามารถคำนวณได้โดย:
AssumingUgmaxto เป็นระดับสูงสุด {?} theFvalue ( ติดป้ายที่นี่ asFgmax) สามารถคำนวณได้โดยถ้า Fgmax> ฟ้าไม่มีเซ็นเซอร์ rselected จะถูกลบออกไป (5) ขั้นตอน มิฉะนั้นเซ็นเซอร์สอดคล้องกับ theUgmaxis ออกซ้ำ (4) ขั้นตอนจนไม่มีเซ็นเซอร์จะถูกลบออก (5) การเลือกของเซ็นเซอร์ที่เหลือหรือไม่นอกจากนี้เรายัง assumeptimes แปลงมีการดำเนินการ andrsensor ได้รับการเลือกและจากนั้นความสามารถในการจำแนกของทุกเซ็นเซอร์ที่เหลือสามารถคำนวณได้โดย
AssumingUsminto เป็นนาที {เรา | (1,2, ... , R )}, theFvalue (ติดป้ายที่นี่ในฐานะ
Fsmin) สามารถคำนวณได้โดยถ้า Fsmin> ฟ้า, เซ็นเซอร์ที่เกี่ยวข้องเพื่อ Usminshould ถูกเลือกซ้ำ (4 และ 5) มิฉะนั้นไม่มีเซ็นเซอร์ที่เหลือจะถูกเลือกและขั้นตอนของการเลือกเซ็นเซอร์ที่มีมากกว่า เป็นที่น่าสังเกตว่าการแปลงของการกำจัดกับแกนจะต้องดำเนินการอย่างใดอย่างหนึ่งเวลาที่มีเซ็นเซอร์รับเลือกหรือลบออก กล่าวคือการแปลงเริ่มต้นจากปัจจัยของสถิติของเมทริกซ์คุณลักษณะสอดคล้องกับอาร์เรย์เซ็นเซอร์เดิมและเมื่อใดก็ตามที่เซ็นเซอร์จะถูกเลือกหรือลบออกเปลี่ยนจะต้องคำนวณเวลาหนึ่ง โดยเฉพาะการที่เราสามารถทีละขั้นตอนได้รับการแสดงออกของความสามารถในการจำแนกเช่น EQ. (6) ในขั้นตอนของการเลือกเซ็นเซอร์.
นอกจากนี้เซ็นเซอร์ที่เลือกทั้งหมดจะถูกทำเครื่องหมายตามลำดับที่เลือกของพวกเขาและได้รับคำสั่งชุดประกอบด้วยเซ็นเซอร์ที่เลือกจะได้รับยัง . มี crossreactivity หมู่เซ็นเซอร์ที่เลือกเพื่อความระหว่างเซ็นเซอร์เหล่านี้จะต้องมีอยู่และชุดคำสั่งให้ไม่จำเป็นต้องเพิ่มประสิทธิภาพอาร์เรย์ เพราะก่อนหน้านี้เซ็นเซอร์จะถูกเลือกที่แข็งแกร่งความสามารถในการจำแนกของเซ็นเซอร์อาร์เรย์เพิ่มประสิทธิภาพอาจได้รับการออกแบบโดยการสำรวจผลการเลือกปฏิบัติในครั้งแรกที่เซ็นเซอร์บางอย่างที่ได้รับการคัดเลือกค่อยๆและเป็นระเบียบเรียบร้อยจากชุดและขั้นตอนการสำรวจจะรู้ได้อย่างง่ายดาย วิธีการเลือกเซ็นเซอร์ดังกล่าวข้างต้นได้รับการดำเนินการด้วยความช่วยเหลือของ Borland C ++ Builder 5 เครื่องมือซอฟต์แวร์
การแปล กรุณารอสักครู่..
3 . การสกัดลักษณะ
การสกัดลักษณะเป็นขั้นตอนสำคัญในงานจมูก .
มีวิธีการสกัดคุณลักษณะมาก แต่ในการสอบสวนของเรา ' 'mean-differential มีค่าสัมประสิทธิ์ ' ' ( mdcv ) ( หยินและเทียน , 2550 ) ได้รับเลือกเป็นคุณสมบัติของก๊าซเซนเซอร์สัญญาณ เพราะค่าคุณลักษณะที่สามารถสะท้อนให้เห็นถึงการตอบสนองของความเร็วเฉลี่ยของเซ็นเซอร์ และเป็นตัวแทนของลักษณะหลักของพวกเขาการ mdcv ถูกกําหนดโดยการแสดงออกดังต่อไปนี้ : wherenis จํานวนผลการทดสอบ ( n = 1 , 500 ) ของเซ็นเซอร์เพื่อตัวอย่างหนึ่งใน th 11 ผลการทดสอบตัวอย่าง ซี 1 ( ชั้น 1 ) - ผลการทดสอบ th , anddtis ช่วงเวลา ( DT = 1 s ) สองผลการทดสอบใกล้กับ .
สำหรับเซ็นเซอร์ความชื้นและอุณหภูมิเราโดยพิจารณาค่าเฉลี่ยของอุณหภูมิและความชื้นต่อหนึ่งตัวอย่างที่เป็นคุณลักษณะของพวกเขา หลังจากการสกัดคุณลักษณะ , ขนาดของเมทริกซ์คุณลักษณะเป็น 105 15 105 เป็นจำนวน 15 ตัวอย่าง เป็นตัวแทนของ 13 mdcv 13 เซ็นเซอร์ก๊าซ ผลการทดสอบค่าความชื้นและอุณหภูมิ .
4 การเพิ่มประสิทธิภาพวิธีการ
4.1 . การแสดงออกของเซ็นเซอร์จำแนกความสามารถ
ในการวิเคราะห์ทางสถิติหลายตัวแปร สถิติ wilksk ( เกา , 2005 ) มักจะใช้ทดสอบ หรือ ประเมินความสามารถในการจำแนกของแต่ละตัวแปรหลายตัวอย่างชั้นเรียน wilksk สถิติที่กำหนดโดย : wherek ( M ) วิลก์ส k-statistic correspondingmvariables ( msensors ) dthe เมทริกซ์ผลรวมกำลังสองของส่วนเบี่ยงเบนภายในชั้น t เมทริกซ์ของผลรวมของค่าทั้งหมดสี่เหลี่ยมสำหรับชั้นเรียนในคดีนี้ dandtwere คำนวณโดยเมทริกซ์คุณลักษณะข้างต้น , M = 15 , จำนวนชั้นของตัวอย่างส้ม 3 . ตาม togao ( 2005 ) , K ( M ) สามารถแสดงโดย :
ปัจจัยของอีคิว ( 3 ) จะเปลี่ยนจากตัดกับ pivoting . เหล่านี้เป็นองค์ประกอบในแนวทแยง pivots ofdortand สอดคล้องกับตัวตนของอาเรย์เดิม ในกระบวนการของการเปลี่ยนลำดับการคำนวณเป็นโดยพลการ แต่ความสัมพันธ์ของ Pivot จะเซนเซอร์ไป หนึ่งทางจดหมาย นี้วางรากฐานสำหรับการเลือกเซนเซอร์โดยความสามารถในระดับของพวกเขา เพื่อความสะดวกสบายของด้านล่าง , ด้านขวาของ ( 3 ) มีการทำเครื่องหมายโดย U ( 1 , 2 , . . . , M )
ถ้า M 1 เซ็นเซอร์จะเข้าบัญชีแล้ว และด้านขวาของ ( 4 ) ยังเป็นเครื่องหมายบิว ( 1 , 2 , . . . , M 1 )เห็นได้ชัดว่าสมการต่อไปสามารถให้ :
อีคิว ( 6 ) ถือเป็นการแสดงออกของความสามารถจำแนก
พวกเขา th เซนเซอร์ในเงื่อนไข OFM 1 เซ็นเซอร์ ซึ่งได้รับการคัดสรร และน้อย . | ( 1 , 2 , . . . , M 1 ) คุณค่าที่แข็งแกร่ง ความสามารถในการจำแนกของ m-th เซ็นเซอร์ ดังนั้นบางตัวถูกเลือกโดยวิธี Stepwise
.
4.2 . เซ็นเซอร์การเลือกวิธี
โดยวิธีข้างต้นเราสามารถให้ขั้นตอนการเลือกเซนเซอร์เป็น
1 . ( 1 ) เซ็นเซอร์ก่อนเลือกจำแนกความสามารถของแต่ละตัวในอาร์เรย์ที่ต้นฉบับจะถูกคำนวณโดยอีคิว ( 7 )
เพราะความสามารถในการจำแนกของเซ็นเซอร์ที่
มิน { UI | 0 } ( นี่ถือว่าเป็นองค์กรที่แข็งแกร่งที่สุด ) คือ , เซ็นเซอร์จะถูกเลือกหรือไม่ byf ทดสอบ thefvalue ( ที่นี่มีป้าย asf1 ) สามารถคำนวณได้โดย :
wherenis จำนวนตัวอย่างที่แตกต่าง ( n = 105 ) เลขที่ kthe ชั้นเรียน ( k = 3 ) เมื่อให้ความสำคัญ levelais ( ในกระดาษ theais 0.05 ) andf1 > ฟ้า เซนเซอร์ที่สอดคล้องกับองค์กร จะได้รับการคัดเลือก คือ ตัวแรกจะถูกเลือก มิฉะนั้นตัวทำงานไม่ประสบความสำเร็จ โดยอาเรย์เดิม( 2 ) การต่อเซนเซอร์สองเซ็นเซอร์ก่อน ( นี่ถือว่าเป็นองค์กรที่เซ็นเซอร์ ) เลือกการเปลี่ยนแปลงของ thed
ต้องใช้ andd
( 1 ) และ ( 1 ) พร้อมกันได้ ตามลำดับ แล้วเซนเซอร์แต่ละตัวจำแนกความสามารถของพวกเขา 1 ที่เหลือเซ็นเซอร์สามารถคำนวณโดย :
assumingu2to เป็นมิน { UJ | 1 } , thefvalue ( ที่นี่มีป้าย asf2 )
สามารถคำนวณโดยiff2 > ฟ้า เซนเซอร์ที่ u2will ถูกเลือก มิฉะนั้น เพียงหนึ่งเซ็นเซอร์จะถูกเลือก เช่น เลือกก่อนเซ็นเซอร์ .
( 3 ) ลบหรือไม่ให้เลือกเซ็นเซอร์
หลังจากเซ็นเซอร์วินาที ( นี่ถือว่าเป็น thej th เซ็นเซอร์ )
เลือกการแปลงของ ต้องใช้ meanwhiled ค่าที
( 2 ) ( 2 ) ยังได้ตามลำดับแล้วเราสามารถคำนวณหาค่า
assumingumaxto ด้านล่างสองจำแนกประเภทได้สูงสุด UJ } { UI , , fvalue ( ที่นี่ระบุว่า
fmax ) สามารถคำนวณได้โดย : iffmax > ฟ้า สองเลือกเซ็นเซอร์จะไม่ลบออก มิฉะนั้น
เซ็นเซอร์ที่สอดคล้องกับ theumaxis ลบออก ( 4 ) Generalizing ขั้นตอน ( 2 และ 3 ) สมมติว่า thatrsensors เลือก throughptimes แปลง ( หลังจากที่ทุกขั้นตอนการแปลงต้องใช้ครั้งเดียว ) ค่าสอบของพวกเขาสามารถคำนวณโดย :
assumingugmaxto เป็นแมกซ์ { ไมโครกรัม } , thefvalue ( ที่นี่มีป้าย asfgmax ) สามารถคำนวณได้โดย : ถ้า fgmax > ฟ้า ไม่มีการ rselected เซ็นเซอร์ถูกลบออกไป ( 5 ) ขั้นตอน มิฉะนั้น เซนเซอร์ที่สอดคล้องกับ theugmaxis ลบออกซ้ำ ( 4 ) ขั้นจนไม่เซ็นเซอร์ถูกลบออก( 5 ) การเลือกเซนเซอร์ที่เหลือหรือไม่ เรายัง assumeptimes แปลงได้ถูกพัฒนา andrsensor ได้รับเลือกและจากนั้นความสามารถในการจำแนกของทุกส่วนที่เหลือเซ็นเซอร์สามารถคำนวณได้ด้วย
assumingusminto เป็นมิน { เรา | ( 1 , 2 , . . . , R ) } , thefvalue ( ที่นี่ระบุว่า
fsmin ) สามารถคำนวณได้โดย : ถ้า fsmin > ฟ้า เซนเซอร์ที่ usminshould ได้รับเลือกตาม ( 4 และ 5 )ไม่งั้นไม่มีเซ็นเซอร์ตกค้างที่เลือกและกระบวนการของการเลือกเซนเซอร์ใหม่ จะเห็นได้ชัดเจนว่า การเปลี่ยนของกับ pivoting ต้องดำเนินการหนึ่งครั้งพร้อมกับเซ็นเซอร์ที่ถูกเลือกหรือลบ คือ การเปลี่ยนแปลงเริ่มจากดีเทอร์มิแนนต์ของเมทริกซ์ได้แก่คุณลักษณะที่สอดคล้องกับเรย์เซ็นเซอร์เดิมเป็นเซนเซอร์ที่เลือกหรือลบแปลงจะต้องคำนวณระยะเวลาหนึ่ง โดยเฉพาะ เราสามารถรับรู้ได้ เช่น อีคิว ความสามารถในการแสดงออกของกลุ่ม ( 6 ) ในกระบวนการของการเลือกเซนเซอร์ .
นอกจากนี้ เซ็นเซอร์เลือกมีเครื่องหมายตามลำดับของพวกเขาเลือกและสั่งชุด ประกอบด้วย เซ็นเซอร์ยังเลือกได้มี crossreactivity ระหว่างเลือกเซ็นเซอร์ ดังนั้นความเกี่ยวข้องระหว่างเซ็นเซอร์เหล่านี้ต้องมีอยู่ และชุดไม่จําเป็นต้องเพิ่มเรย เพราะก่อนหน้านี้ที่เซ็นเซอร์จะถูกเลือก แข็งแกร่งของเซ็นเซอร์จำแนกความสามารถการเพิ่มประสิทธิภาพของอาร์เรย์อาจจะออกแบบโดยการสำรวจจำแนกผลแรกมีเซ็นเซอร์ที่ถูกเลือก และค่อยเป็นระเบียบ จากชุด และสำรวจกระบวนการตระหนักได้อย่างง่ายดาย . วิธีการเลือกเซนเซอร์ดังกล่าวได้ถูกพัฒนาด้วยความช่วยเหลือของ Borland C Builder 5 ซอฟต์แวร์เครื่องมือ
การสกัดลักษณะเป็นขั้นตอนสำคัญในงานจมูก .
มีวิธีการสกัดคุณลักษณะมาก แต่ในการสอบสวนของเรา ' 'mean-differential มีค่าสัมประสิทธิ์ ' ' ( mdcv ) ( หยินและเทียน , 2550 ) ได้รับเลือกเป็นคุณสมบัติของก๊าซเซนเซอร์สัญญาณ เพราะค่าคุณลักษณะที่สามารถสะท้อนให้เห็นถึงการตอบสนองของความเร็วเฉลี่ยของเซ็นเซอร์ และเป็นตัวแทนของลักษณะหลักของพวกเขาการ mdcv ถูกกําหนดโดยการแสดงออกดังต่อไปนี้ : wherenis จํานวนผลการทดสอบ ( n = 1 , 500 ) ของเซ็นเซอร์เพื่อตัวอย่างหนึ่งใน th 11 ผลการทดสอบตัวอย่าง ซี 1 ( ชั้น 1 ) - ผลการทดสอบ th , anddtis ช่วงเวลา ( DT = 1 s ) สองผลการทดสอบใกล้กับ .
สำหรับเซ็นเซอร์ความชื้นและอุณหภูมิเราโดยพิจารณาค่าเฉลี่ยของอุณหภูมิและความชื้นต่อหนึ่งตัวอย่างที่เป็นคุณลักษณะของพวกเขา หลังจากการสกัดคุณลักษณะ , ขนาดของเมทริกซ์คุณลักษณะเป็น 105 15 105 เป็นจำนวน 15 ตัวอย่าง เป็นตัวแทนของ 13 mdcv 13 เซ็นเซอร์ก๊าซ ผลการทดสอบค่าความชื้นและอุณหภูมิ .
4 การเพิ่มประสิทธิภาพวิธีการ
4.1 . การแสดงออกของเซ็นเซอร์จำแนกความสามารถ
ในการวิเคราะห์ทางสถิติหลายตัวแปร สถิติ wilksk ( เกา , 2005 ) มักจะใช้ทดสอบ หรือ ประเมินความสามารถในการจำแนกของแต่ละตัวแปรหลายตัวอย่างชั้นเรียน wilksk สถิติที่กำหนดโดย : wherek ( M ) วิลก์ส k-statistic correspondingmvariables ( msensors ) dthe เมทริกซ์ผลรวมกำลังสองของส่วนเบี่ยงเบนภายในชั้น t เมทริกซ์ของผลรวมของค่าทั้งหมดสี่เหลี่ยมสำหรับชั้นเรียนในคดีนี้ dandtwere คำนวณโดยเมทริกซ์คุณลักษณะข้างต้น , M = 15 , จำนวนชั้นของตัวอย่างส้ม 3 . ตาม togao ( 2005 ) , K ( M ) สามารถแสดงโดย :
ปัจจัยของอีคิว ( 3 ) จะเปลี่ยนจากตัดกับ pivoting . เหล่านี้เป็นองค์ประกอบในแนวทแยง pivots ofdortand สอดคล้องกับตัวตนของอาเรย์เดิม ในกระบวนการของการเปลี่ยนลำดับการคำนวณเป็นโดยพลการ แต่ความสัมพันธ์ของ Pivot จะเซนเซอร์ไป หนึ่งทางจดหมาย นี้วางรากฐานสำหรับการเลือกเซนเซอร์โดยความสามารถในระดับของพวกเขา เพื่อความสะดวกสบายของด้านล่าง , ด้านขวาของ ( 3 ) มีการทำเครื่องหมายโดย U ( 1 , 2 , . . . , M )
ถ้า M 1 เซ็นเซอร์จะเข้าบัญชีแล้ว และด้านขวาของ ( 4 ) ยังเป็นเครื่องหมายบิว ( 1 , 2 , . . . , M 1 )เห็นได้ชัดว่าสมการต่อไปสามารถให้ :
อีคิว ( 6 ) ถือเป็นการแสดงออกของความสามารถจำแนก
พวกเขา th เซนเซอร์ในเงื่อนไข OFM 1 เซ็นเซอร์ ซึ่งได้รับการคัดสรร และน้อย . | ( 1 , 2 , . . . , M 1 ) คุณค่าที่แข็งแกร่ง ความสามารถในการจำแนกของ m-th เซ็นเซอร์ ดังนั้นบางตัวถูกเลือกโดยวิธี Stepwise
.
4.2 . เซ็นเซอร์การเลือกวิธี
โดยวิธีข้างต้นเราสามารถให้ขั้นตอนการเลือกเซนเซอร์เป็น
1 . ( 1 ) เซ็นเซอร์ก่อนเลือกจำแนกความสามารถของแต่ละตัวในอาร์เรย์ที่ต้นฉบับจะถูกคำนวณโดยอีคิว ( 7 )
เพราะความสามารถในการจำแนกของเซ็นเซอร์ที่
มิน { UI | 0 } ( นี่ถือว่าเป็นองค์กรที่แข็งแกร่งที่สุด ) คือ , เซ็นเซอร์จะถูกเลือกหรือไม่ byf ทดสอบ thefvalue ( ที่นี่มีป้าย asf1 ) สามารถคำนวณได้โดย :
wherenis จำนวนตัวอย่างที่แตกต่าง ( n = 105 ) เลขที่ kthe ชั้นเรียน ( k = 3 ) เมื่อให้ความสำคัญ levelais ( ในกระดาษ theais 0.05 ) andf1 > ฟ้า เซนเซอร์ที่สอดคล้องกับองค์กร จะได้รับการคัดเลือก คือ ตัวแรกจะถูกเลือก มิฉะนั้นตัวทำงานไม่ประสบความสำเร็จ โดยอาเรย์เดิม( 2 ) การต่อเซนเซอร์สองเซ็นเซอร์ก่อน ( นี่ถือว่าเป็นองค์กรที่เซ็นเซอร์ ) เลือกการเปลี่ยนแปลงของ thed
ต้องใช้ andd
( 1 ) และ ( 1 ) พร้อมกันได้ ตามลำดับ แล้วเซนเซอร์แต่ละตัวจำแนกความสามารถของพวกเขา 1 ที่เหลือเซ็นเซอร์สามารถคำนวณโดย :
assumingu2to เป็นมิน { UJ | 1 } , thefvalue ( ที่นี่มีป้าย asf2 )
สามารถคำนวณโดยiff2 > ฟ้า เซนเซอร์ที่ u2will ถูกเลือก มิฉะนั้น เพียงหนึ่งเซ็นเซอร์จะถูกเลือก เช่น เลือกก่อนเซ็นเซอร์ .
( 3 ) ลบหรือไม่ให้เลือกเซ็นเซอร์
หลังจากเซ็นเซอร์วินาที ( นี่ถือว่าเป็น thej th เซ็นเซอร์ )
เลือกการแปลงของ ต้องใช้ meanwhiled ค่าที
( 2 ) ( 2 ) ยังได้ตามลำดับแล้วเราสามารถคำนวณหาค่า
assumingumaxto ด้านล่างสองจำแนกประเภทได้สูงสุด UJ } { UI , , fvalue ( ที่นี่ระบุว่า
fmax ) สามารถคำนวณได้โดย : iffmax > ฟ้า สองเลือกเซ็นเซอร์จะไม่ลบออก มิฉะนั้น
เซ็นเซอร์ที่สอดคล้องกับ theumaxis ลบออก ( 4 ) Generalizing ขั้นตอน ( 2 และ 3 ) สมมติว่า thatrsensors เลือก throughptimes แปลง ( หลังจากที่ทุกขั้นตอนการแปลงต้องใช้ครั้งเดียว ) ค่าสอบของพวกเขาสามารถคำนวณโดย :
assumingugmaxto เป็นแมกซ์ { ไมโครกรัม } , thefvalue ( ที่นี่มีป้าย asfgmax ) สามารถคำนวณได้โดย : ถ้า fgmax > ฟ้า ไม่มีการ rselected เซ็นเซอร์ถูกลบออกไป ( 5 ) ขั้นตอน มิฉะนั้น เซนเซอร์ที่สอดคล้องกับ theugmaxis ลบออกซ้ำ ( 4 ) ขั้นจนไม่เซ็นเซอร์ถูกลบออก( 5 ) การเลือกเซนเซอร์ที่เหลือหรือไม่ เรายัง assumeptimes แปลงได้ถูกพัฒนา andrsensor ได้รับเลือกและจากนั้นความสามารถในการจำแนกของทุกส่วนที่เหลือเซ็นเซอร์สามารถคำนวณได้ด้วย
assumingusminto เป็นมิน { เรา | ( 1 , 2 , . . . , R ) } , thefvalue ( ที่นี่ระบุว่า
fsmin ) สามารถคำนวณได้โดย : ถ้า fsmin > ฟ้า เซนเซอร์ที่ usminshould ได้รับเลือกตาม ( 4 และ 5 )ไม่งั้นไม่มีเซ็นเซอร์ตกค้างที่เลือกและกระบวนการของการเลือกเซนเซอร์ใหม่ จะเห็นได้ชัดเจนว่า การเปลี่ยนของกับ pivoting ต้องดำเนินการหนึ่งครั้งพร้อมกับเซ็นเซอร์ที่ถูกเลือกหรือลบ คือ การเปลี่ยนแปลงเริ่มจากดีเทอร์มิแนนต์ของเมทริกซ์ได้แก่คุณลักษณะที่สอดคล้องกับเรย์เซ็นเซอร์เดิมเป็นเซนเซอร์ที่เลือกหรือลบแปลงจะต้องคำนวณระยะเวลาหนึ่ง โดยเฉพาะ เราสามารถรับรู้ได้ เช่น อีคิว ความสามารถในการแสดงออกของกลุ่ม ( 6 ) ในกระบวนการของการเลือกเซนเซอร์ .
นอกจากนี้ เซ็นเซอร์เลือกมีเครื่องหมายตามลำดับของพวกเขาเลือกและสั่งชุด ประกอบด้วย เซ็นเซอร์ยังเลือกได้มี crossreactivity ระหว่างเลือกเซ็นเซอร์ ดังนั้นความเกี่ยวข้องระหว่างเซ็นเซอร์เหล่านี้ต้องมีอยู่ และชุดไม่จําเป็นต้องเพิ่มเรย เพราะก่อนหน้านี้ที่เซ็นเซอร์จะถูกเลือก แข็งแกร่งของเซ็นเซอร์จำแนกความสามารถการเพิ่มประสิทธิภาพของอาร์เรย์อาจจะออกแบบโดยการสำรวจจำแนกผลแรกมีเซ็นเซอร์ที่ถูกเลือก และค่อยเป็นระเบียบ จากชุด และสำรวจกระบวนการตระหนักได้อย่างง่ายดาย . วิธีการเลือกเซนเซอร์ดังกล่าวได้ถูกพัฒนาด้วยความช่วยเหลือของ Borland C Builder 5 ซอฟต์แวร์เครื่องมือ
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- learners
- 提高旅游业收入是政府弥补出口低迷影响的首选
- The Q’ty of FBT021M become lower than th
- ฉันวังวล ฉันอาจจะต้องลางานเพื่อคุณ เเละฉ
- Screw Drver
- 한국인들은그것에대해거짓말을 좋아하지않는다.
- คิดถึงคุณนะคะ
- ฉันทำการบ้านก่อน
- ทำไมฉันเหมือนคนที่คุณเคยรู้จักเหรอ
- Do not be afraid you send pictures of be
- ค่าใช้จ่ายอื่นๆ
- สุขสันต์วันครบรอบ 3 เดือนขอให้เรารักกันไ
- A similar approach, strictly related to
- The process of producing QCGBR is hydrot
- งานที่คุณทำเป็นยังไงบ้าง
- ความสุขฉันหายไปไหน
- thrilling due to brightness
- ฉันเชื่อว่าอีกไม่นานคุณจะมีแฟนในประเทศคุ
- ดูแลสาย IV ไม่ให้หักพับงอ ตรวจอัตราการหย
- น้องชายของฉันเป็นอย่างไรบ้างตั้งแต่ย้ายท
- มี๊
- ฉันรู้ไหม คุณมาวันที่ฉันต้องทำงาน ฉันจะไ
- Means
- Tell myself "Let's enjoy this, Seulgi-ya
