Hệ thống khứu giác AI AIOS-2030

Hệ thống khứu giác AI AIOS-2030Xây dựng hệ thống đánh giá nhận thức mùi thế hệ mới

Giới thiệu công nghệ Hệ thống khứu giác AI cho Polycore Chasing Wind

Hệ thống này là một hệ thống khứu giác AI cấp phòng thí nghiệm, bao gồm ba phần:

Hệ thống lấy mẫu trước khi xử lý mẫu

Phần này được làm bằng hệ thống xử lý không khí động, công việc chính là đặt mẫu vào chai không khí trên cao, làm nóng chất chiết xuất mùi vào bẫy nhiệt độ thấp, cô đặc mẫu vào hệ thống khứu giác, các thông số kỹ thuật cụ thể có thể tham khảo trang màu sản phẩm, hệ thống có thể thu thập nồng độ ppt của chất mùi, bộ sưu tập toàn diện hơn và mẫu là một liên kết quan trọng của hệ thống khứu giác AI.

Hệ thống khứu giác AI AIOS-2030：

Phần này bao gồm ít nhất 10 nhóm cảm biến tạo thành khoang mũi khứu giác, chuyển thông tin mùi thành tín hiệu điện bằng cách phát hiện sự tương tác của các phân tử mùi với vật liệu cảm biến. Cảm biến bao gồm: (1) acetone, (2) hợp chất nitơ sulfide hữu cơ, (3) toluene, aldehyde, ketone và rượu, các hợp chất thơm alkyl, (4) hydrocacbon aliphatic, halogen, ether, este, pyridine, phenol và rượu, (5) rượu, ketone, aldehyde và các hợp chất thơm (6) metan và hydrogen sulfide, (7) phenol, ketone, etyl acetate, cyclohexanone, chlorobenzene, toluene và ether (8) ankan, olefin và các hợp chất thơm nhạy cảm; Alkan, olefin và hydro, (9) ankan, carbon monoxide, olealdehyde, rượu, oxit nitơ, ketone và aldehyde, (10) sulfua, nitride, cacbua, hydrocarbon và oxit nitơ. Việc lựa chọn cảm biến cần được tối ưu hóa cho các tình huống ứng dụng cụ thể.

Ngoài ra, một hệ thống vòng quay đường dẫn khí mũi tốt có thể đáp ứng tốt hơn với tất cả các thành phần khí, điều trị trơ làm giảm dư lượng và tránh ô nhiễm chéo.

Mạng lưới thần kinh khứu giác

Mạng thần kinh khứu giác chịu trách nhiệm trích xuất đặc trưng và nhận dạng mẫu tín hiệu mùi, tạo ra dữ liệu nhận thức mùi, thường bao gồm các cấp độ sau:

Lớp đầu vào: Nhận dữ liệu đa chiều từ cảm biến, chẳng hạn như nồng độ khí, nhiệt độ, độ ẩm, v.v.

Hidden layer: trích xuất các đặc điểm mùi thông qua nhiều lớp perceptron hoặc mạng thần kinh convolution. Việc thiết kế các lớp ẩn cần xem xét chiều sâu và chiều rộng của mạng để cân bằng độ phức tạp tính toán và khả năng trích xuất tính năng.

Lớp đầu ra: tạo ra kết quả phân loại mùi hoặc dự đoán nồng độ. Thiết kế của lớp đầu ra cần được tối ưu hóa cho các nhiệm vụ cụ thể, chẳng hạn như nhiệm vụ đa phân loại hoặc nhiệm vụ hồi quy.

Dữ liệu đào tạo chất lượng cao là chìa khóa cho hiệu suất mạng thần kinh. Hệ thống mũi tạo ra tín hiệu kỹ thuật số đòi hỏi tiền xử lý dữ liệu tức là giảm nhiễu, chuẩn hóa dữ liệu thô để cải thiện chất lượng và tính nhất quán của dữ liệu. Sau đó làm kích thước dữ liệu là kích thước nhân tạo hoặc tự động dữ liệu mùi để tạo ra các nhãn hiệu cần thiết cho việc giám sát học tập.

Nhận dạng mẫu là quá trình phân loại mùi hoặc dự đoán nồng độ thông qua mạng lưới thần kinh. Hệ thống khứu giác AI của công ty chúng tôi hiện đang tích hợp 4 thuật toán nhận dạng mẫu:

1. Thuật toán KNN (K-Nearest Neighbors) là một phương pháp phân loại học tập có giám sát dựa trên các trường hợp xác định phân loại theo nguyên tắc bỏ phiếu đa số bằng cách tính toán khoảng cách giữa mẫu được phân loại và K mẫu gần nhất trong dữ liệu đào tạo.

2. Support Vector Machine (SVM) là một thuật toán phân loại có giám sát học tập, ý tưởng cốt lõi của nó là tìm siêu phẳng tốt hơn bằng cách mở rộng khoảng thời gian phân loại, phù hợp với dữ liệu phân chia tuyến tính và phi tuyến tính, được sử dụng rộng rãi trong các lĩnh vực như nhận dạng mẫu.

3. Random Forest là một thuật toán học tập tích hợp dựa trên cây quyết định giúp cải thiện độ chính xác và sức mạnh của mô hình bằng cách xây dựng nhiều cây và kết hợp các kết quả dự đoán của chúng, được sử dụng rộng rãi trong các nhiệm vụ như phân loại, hồi quy và lựa chọn tính năng.

4. Gradient Boosting là một thuật toán học tập tích hợp tối ưu hóa hiệu suất mô hình bằng cách đào tạo các trình học yếu (thường là cây quyết định) lặp đi lặp lại và cộng các kết quả dự đoán của chúng, phù hợp cho các nhiệm vụ hồi quy và phân loại.

Bạn cũng có thể căn cứ vào nhu cầu kiểm tra dùng mô hình thuật toán mới để đánh giá phân biệt mẫu.

Cuối cùng, để hoàn thành tốt việc đào tạo hệ thống khứu giác, công ty chúng tôi cũng có dịch vụ kỹ thuật "đồng hành" để đảm bảo việc thực hiện thuận lợi hệ thống dự án, dịch vụ "đồng hành" chủ yếu là hỗ trợ người dùng đào tạo hệ thống khứu giác, tìm kiếm sự kết hợp cảm biến tốt hơn và tối ưu hóa theo nhu cầu của dự án, chọn kiểm tra thuật toán mô hình dữ liệu lớn hơn, thuật toán hội nhập, nâng cao khả năng phân biệt và ổn định của xếp hạng.