THE СЕНСОРЛЫҚ ТЕХНОЛОГИЯЛАР МЕН МАШИНАЛЫҚ ОҚЫТУ: ЭКОЛОГИЯЛЫҚ МОНИТОРИНГТІҢ ЖАҢА МҮМКІНДІКТЕРІ

Аңдатпа

В данной работе исследуется применение методов статистического машинного обучения для калибровки и анализа данных, полученных от системы искусственного обоняния при экспериментальных исследованиях со стандартными газовыми смесями, включающих ключевые загрязнители атмосферного воздуха  (диоксид углерода, оксид углерода, диоксид азота, аммиак и сероводород) в диапазоне концентраций от 5 до 50 ppm. Актуальность исследования обусловлена необходимостью разработки точных и надежных методов мониторинга качества воздуха в условиях низких концентраций загрязняющих веществ. В качестве методов машинного обучения были выбраны многомерная линейная регрессия и кластеризация на основе метода ближайших соседей. Полученные модели продемонстрировали высокую степень адекватности экспериментальным данным, о чем свидетельствуют значения коэффициента детерминации R2, близкие к единице. C использованием алгоритма k-means была успешно проведена кластеризация многомерных откликов сенсоров, позволившая выявить четкую зависимость между характеристиками сенсорных сигналов, видом газа и его концентрации в смеси. Результаты исследования могут быть использованы для создания автономных систем мониторинга качества воздуха, способных оперативно выявлять превышения предельно допустимых концентраций вредных веществ.