Core Concepts
Ein adaptives System, das die Sensordrift als Kontext für die Geruchserkennungsfähigkeit darstellt, kann sich automatisch an Sensordrift anpassen.
Abstract
Die Studie zeigt, dass ein Klassifikationssystem, das den Kontext explizit darstellt, sich an Sensordrift anpassen kann. Mehrere Gasklas-sifikatormodelle wurden in einer Umgebung mit fortschreitender Sensordrift getestet.
Zunächst wurde ein Ensemble aus Neuronalen Netzen mit einem Ensemble aus Unterstützungsvektormaschinen (SVM) verglichen. Die Genauigkeitsverbesserungen deuteten darauf hin, dass Neuronale Netze in dieser Aufgabe genauer sind als SVMs.
Anschließend wurden ein reines Neuronales Netz (Skill-Modell) und ein Neuronales Netz mit Kontextverarbeitung (Kontext+Skill-Modell) verglichen. Das kontextbasierte Netz extrahiert Merkmale aus vorherigen Chargen, um zu modellieren, wie sich die Sensoren im Laufe der Zeit verändern. Wenn diese Kontextinformation zur feedforward-Netzwerkdarstellung hinzugefügt wurde, verbesserte sich die Fähigkeit, die Sensordrift auszugleichen, insbesondere in späteren Chargen, in denen der Drift am größten war und mehr Kontext zur Verfügung stand.
Der kontextbasierte Ansatz ist biologisch motiviert, da in vielen sensorischen Systemen die Top-down-Rückkopplungen die Bottom-up-Verbindungen überwiegen. Eine solche Struktur ist gut geeignet, um Kontextdarstellungen zu nutzen und die Bottom-up-Leistung durch Top-down-Kontext zu modulieren.
Stats
Die Genauigkeit nimmt mit dem zeitlichen Abstand zwischen dem Trainings- und dem Testdatensatz ab.
Das Neuronale Netz-Ensemble erreicht eine signifikant höhere durchschnittliche Generalisierungsgenauigkeit als das SVM-Ensemble.
Das Kontext+Skill-Modell erreicht eine höhere durchschnittliche Genauigkeit als das reine Skill-Modell.
Quotes
"Natürliche Systeme müssen sich kontinuierlich an eine sich verändernde Umwelt und Verkörperung anpassen, was eine große Herausforderung für künstliche Systeme darstellt."
"Der kontextbasierte Ansatz ist biologisch motiviert, da in vielen sensorischen Systemen die Top-down-Rückkopplungen die Bottom-up-Verbindungen überwiegen."