AIOS-2030 sistema de olfato de inteligência artificial

AIOS-2030 sistema de olfato de inteligência artificialConstruir uma nova geração de sistema de avaliação da percepção olfativa

Introdução técnica do sistema de olfato de inteligência artificial

Este sistema é um sistema de olfato de inteligência artificial de nível laboratório e tem três partes:

Sistema de amostragem pré-processamento

Esta parte é composta por um sistema dinâmico de tratamento do topo vazio, o trabalho principal é colocar a amostra em uma garrafa vazia, aquecer a extração de substâncias odorosas para a armadilha de captura de baixa temperatura, amostragem após a concentração no sistema de olfato, parâmetros técnicos específicos podem ser consultados na página colorida do produto, o sistema pode coletar o nível de concentração de substâncias odorosas de ppt, coleta mais abrangente e amostragem é um anel importante do sistema de olfato de inteligência artificial.

AIOS-2030 sistema de olfato de inteligência artificial：

Esta seção é composta por pelo menos 10 conjuntos de sensores que transformam a informação do odor em sinais elétricos detectando a interação das moléculas de odor com o material do sensor. Os sensores incluem: (1) acetonas, (2) compostos nitrogênicos sulfetos orgânicos, (3) tolfeno, aldeído, cetona e álcool, compostos aromáticos alquilados, (4) hidrocarbonetos gordos, hidrocarbonetos halogenados, éter, éster, piridina, fenol e álcool, (5) álcool, cetona, aldeído e compostos aromáticos, (6) metano e sulfeto de hidrogênio, (7) fenol, cetona, ácido etílico, ciclohexona, clorobenzo, tolfeno e éter, (8) alkanos, olefinas e compostos aromáticos sensíveis; Alcanos, olefinas e hidrogênio, (9) alcanos, monóxido de carbono, aldeides, álcool, óxidos de nitrogênio, cetonas e aldeides, (10) sulfetos, nitretos, carbonetos, hidrocarbonetos e óxidos de nitrogênio. A seleção de sensores precisa ser otimizada de acordo com o cenário de aplicação específico.

Além disso, um bom sistema de rotação nas vias nasais responde melhor a todos os componentes do gás, o tratamento de inertização reduz os resíduos e evita a poluição cruzada.

Rede neuronal olfatora

As redes neurais olfativas são responsáveis ​​pela extração de características e reconhecimento de padrões de sinais olfativos, gerando dados de percepção olfativa, e as redes neurais olfativas geralmente incluem os seguintes níveis:

Camada de entrada: recebe dados multidimensionais de sensores, como concentração de gás, temperatura, umidade, etc.

Camada oculta: extrai características de odor através de sensores de camadas múltiplas ou redes neurais convulsivas. O design de camadas ocultas precisa levar em consideração a profundidade e a largura da rede para equilibrar a complexidade computacional e a capacidade de extração de características.

Camada de saída: gerar classificações de odores ou previsões de concentração. O design da camada de saída precisa ser otimizado para tarefas específicas, como tarefas multicategorizadas ou tarefas de regressão.

Dados de treinamento de alta qualidade são essenciais para o desempenho das redes neurais. A geração de sinais digitais pelo sistema nasal requer pré-processamento de dados, isto é, redução de ruído, normalização, etc., para melhorar a qualidade e a consistência dos dados. Em seguida, a rotulagem de dados é a rotulagem manual ou automática dos dados de cheiro para gerar os rótulos necessários para a aprendizagem supervisionada.

O reconhecimento de padrões é o processo de classificação ou previsão de concentração de odores através de redes neurais. Nosso sistema de olfato de inteligência artificial atualmente integra quatro algoritmos de reconhecimento de padrões:

1. O algoritmo KNN (K-Nearest Neighbors) é um método de classificação de aprendizado supervisionado baseado em instâncias que determina a sua atribuição de categoria por maioria de votos, calculando a distância entre a amostra a classificar e a amostra K mais próxima nos dados de treinamento.

2. A máquina vetorial de suporte (SVM) é um algoritmo de classificação de aprendizagem supervisionada com a ideia central de encontrar superplanos melhores através de grandes intervalos de classificação, aplicáveis ​​a dados divisíveis lineares e não lineares e amplamente usados ​​em áreas como o reconhecimento de padrões.

3. A Floresta Aleatória é um algoritmo de aprendizagem integrado baseado em árvores de decisão que melhora a precisão e robustez do modelo ao construir várias árvores e combinar seus resultados de previsão e é amplamente utilizado em tarefas como classificação, regressão e seleção de características.

4. O Gradient Boosting é um algoritmo de aprendizagem integrado que otimiza o desempenho do modelo treinando iterativamente aprendizes fracos (geralmente árvores de decisão) e acumulando suas previsões para tarefas de regressão e classificação.

Também é possível introduzir novos modelos algoritmicos para avaliar identificativamente as amostras de acordo com as necessidades do teste.

Finalmente, para completar bem o treinamento do sistema olfativo, nossa empresa também tem serviços técnicos "acompanhar" para garantir a implementação suave do sistema do projeto, o trabalho principal do serviço "acompanhar" é ajudar os usuários a treinar o sistema olfativo, buscar uma melhor combinação de sensores e otimização de acordo com as necessidades do projeto, escolher testar algoritmos de modelos de dados grandes mais tempo, fusão de algoritmos, melhorar a capacidade e a estabilidade da classificação de resolução.