Uçucu gazları algılayıcı QCM sensör dizi verilerini bilgisayar ortamında tanı yöntemleri

Abstract

Kimyasal sensör dizileri; uçucu analitlerin analizinde önemli bir role sahip olmuştur. Değişik diziler; geniş duyarlılık profillerinin çakıştığı veriyi toplarlar. Bunların sağlam veri analizlerine ihtiyaçları vardır, adreslenen problemleri çözmek için sıklıkla numune tanıma metotlarını ilgilendirirler. İstatistik yaklaşım; geleneksel olarak formüle edilen numune tanımalardaki sayısız yapılar arasında en yoğun çalışılanı ve pratikte en çok kullanılanıdır. Daha yakınlarda istatistik öğrenme teorisinden alınan yapay sinir ağı teknikleri ve metotlarında önemli bir artış görünmüştü. Bir tanıma sisteminin tasarımında şu noktalara dikkat edilir: numune sınıflarının tanımlaması, çevresel algılama, numune tanıtılması, özellik çıkarımı ve seçimi, küme analizi, sınırlandırıcı tasarımı ve öğrenmesi, eğitme ve test örneklerinin seçimi ve performans değerlendirmesi. Bu alanda, yaklaşık 50 yıllık araştırma ve gelişmeye rağmen, kompleks numuneleri keyfi yönlendirmeyle, yerleştirme ve ölçü ile tanımlama genel problemi hala çözülememiştir. Bu çalışmada; uçucu analitlerin algılanması ve tanınması aşamalarında kullanılan, iyi bilinen metotları gözden geçirmek ve karşılaştırmak amacımızdır. Anahtar Kelimeler: Hata Tahmini, Kimyasal Sensör Dizisi, Numune Tanıma, Özellik Seçimi Sınıflandırma, Sinir Ağları.

Chemical sensor arrays have come to have an important role in the analysis of volatile analytes. Such arrays gather data which have broad overlapping sensitivity profiles, which require substantial data analysis, often involving pattern recognition methods to solve the problems being addressed. Among the various frameworks in which pattern recognition has been traditionally formulated the statistical approach has been most intensively studied and used in practice. More recently, neural network techniques and methods imported from statistical learning theory have been receiving increasing attention. The design of a recognition system requires careful attention to the following issues: definition of pattern classes, sensing environment, pattern representation, feature extraction and selection, cluster analysis, classifier design and learning, selection of training and test samples, and performance evaluation. In spite of almost 50 years of research and development in this field, the general problem of recognizing complex patterns with arbitrary orientation, location, and scale remains unsolved. In this study; our goal is to look over and compare of the well known methods used in recognition and perceive stages of volatile analytes. Keywords: Error Estimation, Chemical Sensor Array, Pattern Recognition, Feature Selection, Classification, Neural Network.