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.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by J. Warner,A.... at arxiv.org 04-15-2024
https://arxiv.org/pdf/2003.07292.pdfDeeper Inquiries