Method of selecting the LS-SVM algorithm parameters in gas detection process

• Autorzy: Lentka Ł. , Smulko J.

Warianty tytułu

PL

Sposób doboru parametrów algorytmu LS-SVM w procesie detekcji gazów

• Konferencja: XV Seminarium Zastosowanie komputerów w nauce i technice Gdańsk 2015 (XV; 2015, Gdańsk, Polska)
• Języki publikacji: EN

Abstrakty

EN

In this paper we showed the method of resistive gas sensors data processing. The UV irradiation and temperature modulation was applied to improve gas sensors’ selectivity and sensitivity. Noise voltage across the sensor’s terminals (proportional to its resistance fluctuations) was recorded to estimate power spectral density. This function was an input data vector for LS-SVM (least squares – support vector machine) algorithm, which predicted a concentration of gas present in sensor’s ambient atmosphere. The algorithm creates a non-linear regression model at learning stage. This model can be used to predict gas concentration by recording resistance noise only. We have proposed a fast method of selecting LS-SVM parameters to determine high quality model. The method utilizes a behavior of immune system to determine optimal parameters of the LS-SVM algorithm. High accuracy of the applied method was proved for the recorded experimental data.

PL

W artykule pokazano metodę przetwarzania danych z rezystancyjnych czujników gazów, stosowaną do wykrywania gazów. W celu zwiększenia czułości i selektywności czujników zastosowano modulację temperaturową oraz oświetlenie diodą LED UV aby zebrać więcej danych. Szumy napięciowe rejestrowane na zaciskach czujnika (proporcjonalne do fluktuacji jego rezystancji) zostały wykorzystane do wyznaczenia gęstości widmowej mocy. Ta funkcja stanowiła wektor danych wejściowych dla algorytmu maszyny wektorów nośnych według kryterium najmniejszych kwadratów (LS-SVM), umożliwiając określenie stężenia gazu występującego w atmosferze otaczającej czujnik. Nieliniowy charakter algorytmu pozwala na tworzenie w fazie uczenia modelu na podstawie danych uzyskanych z pomiarów za pomocą metody odniesienia. Pokazano szybki sposób doboru optymalnych parametrów algorytmu LS-SVM, gwarantujących skuteczność szacowania stężenia gazu. W badaniach wykorzystano metodę symulującą działanie systemu odpornościowego. Analiza danych eksperymentalnych potwierdziła skuteczność prezentowanej metody.

Słowa kluczowe

EN

gas detection; optimal parameters selection; support vector machine (SVM); artificial immune system

PL

detekcja gazów; optymalny dobór parametrów; maszyna wektorów nośnych; sztuczny system immunologiczny

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2015
• Tom: Nr 46
• Strony: 69--72
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Lentka Ł.

• Gdańsk University of Technology, Faculty of Electronics, Telecommunications and Informatics Department of Metrology and Optoelectronics

autor

Smulko J.

• Gdańsk University of Technology, Faculty of Electronics, Telecommunications and Informatics Department of Metrology and Optoelectronics

Bibliografia

• 1. Zakrzewska K.: Mixed oxides as gas sensors, Thin Solid Films, vol. 391, 2001, pp. 229-238.
• 2. Osowski S., Siwek K., Grzywacz T., Brudzewski K.: Differential electronic nose in on-line dynamic measurements, Metrology and Measurement Systems, vol. 21, 2014, pp. 649-662.
• 3. Kalinowski P., Woźniak Ł., Strzelczyk A., Jasiński P., Jasiński G.: Efficiency of linear and non-linear classifiers for gas identification from electrocatalytic gas sensor, Metrology and Measurement Systems, vol. 20, 2013, pp. 501-512.
• 4. Trawka M., Smulko J., Hasse L., Ionescu R., Annanouch F., Llobet E., Granqvist C., Kish L.: Fluctuation enhanced gas sensing using UV irradiated Au-nanoparticle-decorated WO3-nanowire films, Proceedings of the 8th International Conference on Sensing Technology, Liverpool, September 2014, pp. 282-286.
• 5. Heszler P., Ionescu R., Llobet E., Reyes L., Smulko J., Kish L., Granqvist C.: On the selectivity of nanostructured semiconductor gas sensors, Physica Status Solidi B, vol. 244, 2007, pp. 4331-4335.
• 6. Kwan C., Schmera G., Smulko J., Kish L., Heszler P., Granqvist C.: Advanced agent identification with fluctuation enhanced sensing, Sensor Journal, IEEE, vol. 8, 2008, pp. 706-713.
• 7. Kotarski M., Smulko J.: Hazardous gases detection by fluctuation-enhanced gas sensing, Fluctuation and Noise Letters, vol. 9, 2010, pp. 359-371.
• 8. Lee A., Reedy B.: Temperature modulation in semiconductor gas sensing, Sensors and Actuators B, vol. 60, 1999, pp. 35-42.
• 9. Kish L., Vajtai R., Granqvist C.: Extracting information from noise spectra of chemical sensors: single sensor electronic noses and tongues, Sensors and Actuators B, vol. 71, 2000, pp. 55-59.
• 10. Kotarski M., Smulko J.: Noise measurement set-ups for fluctuations-enhanced gas sensing, Metrology and Measurement Systems, vol. 16, 2009, pp. 457-464.
• 11. Vapnik V.: The nature of statistical learning theory, Springer Science & Business Media, New York, 2000.
• 12. Van Gestel T., De Brabanter J., De Moor B., Vandewalle J., Suykens J.: Least squares vector machines, World Scientific, Singapore, 2002.
• 13. Nguyen M., De la Torre F.: Optimal feature selection for suport vector machines, Pattern Recognition, vol. 43, 2010, pp. 584-591.
• 14. Aydin I., Karakose M., Akin E.: A multi-objective artificial immune algorithm for parameter optimization in suport vector machine, Applied Soft Computing, vol. 11, 2011, pp. 120-129.
• 15. Pelckmans K., Suykens J., Van Gestel T., De Brabanter J., Lukas L., Hamers B., De Moor B.: LS-SVMlab: a matlab/c toolbox for least squares support vector machines, 2002.
• 16. De Castro L., Von Zuben F.: Learning and optimization using the clonal selection principle, Evolutionary Computation, IEEE Transactions on, vol. 6, 2002, pp. 239-251.
• 17. Lentka Ł., Smulko J., Ionescu R., Granqvist C., Kish L.: Determination of gas mixture components using fluctuation enhanced sensing and the LS-SVM regression algorithm, Metrology and Measurement Systems, vol. 22, 2015, pp. 341-350.