ガスセンサドリフト問題のための局所判別部分空間学習【JST・京大機械翻訳】

Yi Zhengkun; Shang Wanfeng; Xu Tiantian; Guo Shifeng; Wu Xinyu

文献

J-GLOBAL ID：202202214612240218 整理番号：22A0287794

ガスセンサドリフト問題のための局所判別部分空間学習【JST・京大機械翻訳】

Local Discriminant Subspace Learning for Gas Sensor Drift Problem

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0287794&from=J-GLOBAL&jstjournalNo=C0425D") }}

著者 (5件)： , , , ,
資料名：
巻： 52 号： 1 ページ： 247-259 発行年： 2022年
JST資料番号： C0425D ISSN： 2168-2216 CODEN： ITSMFE 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)

センサドリフトは,ガスセンサが被る厳しい問題の1つである。センサドリフト問題を軽減するために,局所判別部分空間投影(LDSP)に基づいて,ガスセンサドリフト補償法を提案した。提案手法は,2つのドメイン,すなわちソースとターゲットドメイン間の分布差を低減する部分空間を見つけることを目的とする。最近提案されたセンサドリフト補正法であるドメイン正則化成分解析(DRCA)と同様に,平均分布不一致は,著者らのアプローチで共通部分空間で最小化される。LDSPは,2つの側面でDRCAを拡張し,すなわち,ソースデータのラベル情報を考慮に入れるだけでなく,異なるクラスラベルを持つ部分空間のサンプルが互いに近接するケースの可能性を減らすだけでなく,マルチモーダルデータを取り扱うために,局所保存投影のアイデアを借り出す。特に,局所Fisher判別分析(LFDA)によって触発され,ラベル情報を利用して,潜在共通部分空間におけるソースデータのローカルクラス間分散を最大化し,同時に局所クラス内分散を最小化する。LDSPの定式化は,容易に解くことができる一般化固有値問題である。実験結果は,提案方法が,2つの公共ガスセンサードリフトデータセットに関する分類精度に関して,他のガスセンサードリフト補償法より優れていることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , ,
, , , , , 【Automatic Indexing@JST】

計算機網 , 計測機器一般

, ,

前のページに戻る