《表4 目标环境I中传感器的特征重要度》
为了简化分析,本部分的优化中删去了重复的传感器,相关性选择了PCC和MIC(因为气体传感器的数据是连续型且概率分布难以确定,不建议使用MI),模式识别算法使用了SVM,BP,KNN和RF,特征重要度包括这4种机器学习算法的FI以及GI.计算得到各传感器之间的PCC如图6所示,MIC如图8所示.对比图6和8,传感器之间的MIC与PCC差别明显,大多PCC的值要高于MIC,但TGS2610,TGS2611与4SO2-2000之间的PCC低于MIC.各传感器的FI如表4所示,不同的算法下,4SO2-2000的FI总是最高的,在只使用4SO2-2000的情况下,识别率甚至可以达到88.6%,而其他传感器的FI排名浮动较大,如TGS2611在前4种FI中排名第2,但在GI中却成了FI最低传感器.有趣的是,通过对比图7和表4中GI的值,可以发现TGS2603的排名发生变化,这是因为此时的初始阵列中没有了重复传感器和基尼指数的特点导致的.
图表编号 | XD00168235200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.20 |
作者 | 魏广芬、赵捷、冯烟利、何爱香、余隽、唐祯安 |
绘制单位 | 山东工商学院信息与电子工程学院、山东工商学院计算机科学与技术学院、山东工商学院计算机科学与技术学院、山东工商学院信息与电子工程学院、大连理工大学生物医学工程学院、大连理工大学生物医学工程学院 |
更多格式 | 高清、无水印(增值服务) |