文献

J-GLOBAL ID：201802217807883429   整理番号：18A0185554

電子鼻の干渉抑制のための転移学習による予測モデルのロバスト性の改善【Powered by NICT】

Improving the Robustness of Prediction Model by Transfer Learning for Interference Suppression of Electronic Nose

著者 (6件)： Liang Zhifang (Communication Engineering Department, Chongqing University, Chongqing, China) ,  Tian Fengchun (Communication Engineering Department, Chongqing University, Chongqing, China) ,  Zhang Ci (Communication Engineering Department, Chongqing University, Chongqing, China) ,  Sun Hao (Communication Engineering Department, Chongqing University, Chongqing, China) ,  Song An (Communication Engineering Department, Chongqing University, Chongqing, China) ,  Liu Tao (Communication Engineering Department, Chongqing University, Chongqing, China)
資料名： IEEE Sensors Journal  (IEEE Sensors Journal)
巻： 18  号： 3  ページ： 1111-1121  発行年： 2018年 
JST資料番号： W1318A  ISSN： 1530-437X  CODEN： ISJEAZ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,電子鼻(e-nose)の干渉問題,その不安定挙動の不確実性と予測不可能性に由来する誤設定を解くために解を与える。干渉抑制のための伝統的な方法は,成分補正フレームワークであり,面倒なまたはほとんど効率的であった。干渉(特に背景干渉とセンサドリフト)を用いて,実用化で得られた試験データの分布は以前の訓練データとは異なっていた。機械学習の観点から,新規ドメイン補正と移動能力を持つ適応極限学習機械(extreme learning machine(DC AELM)フレームワークは電子鼻に深刻な干渉問題を解決するために提案する。フレームワークは二つの部分から構成されている1)DC,二つのドメインの分布は近接するおよび2)AELM,意思決定レベルでの知識移転を実現し,予測モデルのロバスト性を可能にする。この方法は,特に領域補正と意思決定の観点から,干渉抑制のための知識伝達を実現するために,転移学習のアイデアに動機付けられている。著者らの設計した電子鼻と公開ベンチマークセンサドリフトデータセットによって得られたバックグラウンド干渉データセットは,提案したDC AELM法の有効性を検証するために使用した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 機械学習 ,  *予測 ,  不確実性 ,  意思決定 ,  学習機械 ,  *予測モデル ,  *干渉 ,  *ロバスト性
準シソーラス用語： 知識移転 ,  移動能力 ,  訓練データ ,  試験データ ,  *転移学習 ,  *干渉抑制 ,  *電子鼻 , 【Automatic Indexing@JST】

分類 (5件)： レーダ  (ND13010H) ,  計測機器一般  (AD02000X) ,  干渉測定と干渉計  (BD07070G) ,  温度測定,温度計  (AD06010K) ,  通信測定一般  (ND03000R)

タイトルに関連する用語 (5件)： 電子鼻 ,  干渉抑制 ,  転移学習 ,  予測モデル ,  ロバスト性