Modelos de deep learning para classificação de gases detectados por matrizes de sensores nariz artificial
Resumo
O uso de técnicas como Deep Learning tem se mostrado promissor para problemas de classificação, principalmente em relação a classificação de imagens. Classificação de gases detectados por um nariz artificial é mais uma das áreas em que técnicas de Deep Learning podem ser utilizadas para aprimoramento de classificação. O sucesso na tarefa de classificação de gases pode ser vantajoso tanto para controle de qualidade, quanto para prevenção de acidentes. Neste trabalho são apresentados modelos de Deep Learning voltados especificamente à tarefa de classificação de gases.
Palavras-chave:
Applications of Artificial Intelligence, Machine Learning, Computational Intelligence, Artificial Neural Networks, Deep Learning
Referências
Chollet, F. et al. (2015). Keras. https://keras.io.
Fonollosa, J., Fernandez, L., Gutiérrez-Gálvez, A., Huerta, R., and Marco, S. (2016). Calibration transfer and drift counteraction in chemical sensor arrays using direct standardization. Sensors and Actuators B: Chemical, 236:1044–1053.
Fonollosa, J., Rodrı́guez-Luján, I., Trincavelli, M., and Huerta, R. (2015). Data set from chemical sensor array exposed to turbulent gas mixtures. Data in brief, 3:216–220.
Fonollosa, J., Rodrı́guez-Luján, I., Trincavelli, M., Vergara, A., and Huerta, R. (2014). Chemical discrimination in turbulent gas mixtures with mox sensors validated by gas chromatography-mass spectrometry. Sensors, 14(10):19336–19353.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Vergara, A., Fonollosa, J., Mahiques, J., Trincavelli, M., Rulkov, N., and Huerta, R. (2013). On the performance of gas sensor arrays in open sampling systems using inhibitory support vector machines. Sensors and Actuators B: Chemical, 185:462–477.
Zanchettin, C. and Ludermir, T. B. (2007). Wavelet filter for noise reduction and signal compression in an artificial nose. Applied Soft Computing, 7(1):246–256.
Fonollosa, J., Fernandez, L., Gutiérrez-Gálvez, A., Huerta, R., and Marco, S. (2016). Calibration transfer and drift counteraction in chemical sensor arrays using direct standardization. Sensors and Actuators B: Chemical, 236:1044–1053.
Fonollosa, J., Rodrı́guez-Luján, I., Trincavelli, M., and Huerta, R. (2015). Data set from chemical sensor array exposed to turbulent gas mixtures. Data in brief, 3:216–220.
Fonollosa, J., Rodrı́guez-Luján, I., Trincavelli, M., Vergara, A., and Huerta, R. (2014). Chemical discrimination in turbulent gas mixtures with mox sensors validated by gas chromatography-mass spectrometry. Sensors, 14(10):19336–19353.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Vergara, A., Fonollosa, J., Mahiques, J., Trincavelli, M., Rulkov, N., and Huerta, R. (2013). On the performance of gas sensor arrays in open sampling systems using inhibitory support vector machines. Sensors and Actuators B: Chemical, 185:462–477.
Zanchettin, C. and Ludermir, T. B. (2007). Wavelet filter for noise reduction and signal compression in an artificial nose. Applied Soft Computing, 7(1):246–256.
Publicado
15/10/2019
Como Citar
ARAUJO, Ismael; GAMBOA, Juan; SILVA, Adenilton.
Modelos de deep learning para classificação de gases detectados por matrizes de sensores nariz artificial. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 844-855.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2019.9339.
