- Tytuł:
-
Machine learning analysis of e-nose signal in early detection of mold contamination in buildings
Zastosowanie uczenia maszynowego do analizy sygnału e-nosa we wczesnym wykrywaniu porażenia budynków - Autorzy:
-
Majerek, D.
Garbacz, M.
Duda, S.
Nabrdalik, M. - Powiązania:
- https://bibliotekanauki.pl/articles/125740.pdf
- Data publikacji:
- 2017
- Wydawca:
- Towarzystwo Chemii i Inżynierii Ekologicznej
- Tematy:
-
electronic nose
mould contamination
classification
confusion matrix
multidimensional scaling
elektroniczny nos
porażenie grzybem
klasyfikacja
macierz błędnych klasyfikacji
skalowanie wielowymiarowe - Opis:
-
Mould that develops on moistened building barriers is a major cause of the Sick Building Syndrome (SBS). Fungi emit Volatile Organic Compounds (VOC) that can be detected in the indoor air using several techniques of detection e.g. chromatography but also using gas sensors arrays. All array sensors generate particular electric signals that ought to be analysed using properly selected statistical methods of interpretation. This work is focused on the attempt to apply unsupervised and supervised statistical classifying models in the evaluation of signals from gas sensors matrix to analyse the air sampled from the headspace of various types of the building materials at the different level of contamination but also clean reference materials.
Grzyb rozwijający się na ścianach budynków jest głównym powodem zjawiska, które nazwano Syndromem Chorego Budynku. Wolne związki organiczne emitowane przez grzyby mogą być wykryte różnymi metodami, m.in. na podstawie chromatografii, ale także za pomocą matryc czujników gazowych. Wszystkie tego typu narzędzia generują sygnały elektryczne, które można analizować za pomocą odpowiednich technik statystycznych. Praca skupia się na zastosowaniu nadzorowanych i nienadzorowanych technik uczenia maszynowego w ocenie sygnału pochodzącego z elektronicznego nosa. - Źródło:
-
Proceedings of ECOpole; 2017, 11, 2; 395-401
1898-617X
2084-4557 - Pojawia się w:
- Proceedings of ECOpole
- Dostawca treści:
- Biblioteka Nauki
Artykuł