1. Zielstellung der Arbeit war die Entwicklung von Musterkennungsmethoden zur automatischen Klassifizierung von Gasen. Um dieses Ziel zu erreichen, wurde die Reduktionsmethode Parameterabschätzung mittels Adaptive-Simulated-Annealing (ASA-PE) und eine Committee machine (CM) zur Klassifikation entwickelt.
2. Mittels PEDOT:PSS-Sensoren wurden mit Hilfe der Impedanzspektroskopie NH3 und NO2 in unterschiedlichen Konzentrationen gemessen. Die aufgenommenen Messdaten wurden durch die ASA-PE, die Komplexe Haupt-komponentenanalyse (CPCA) und die Discriminant analyses via Support Vector (SVDA) reduziert.
3. Der Vergleich der Merkmalsextraktionsmethoden zeigt: Die in dieser Arbeit neu entwickelte Methode ASA-PE liefert im Vergleich dazu ein sicheres Segmentierungs-Ergebnis.
4. Der Vergleich zwischen ASA-PE und ZView zeigt, dass die ASA-PE eine sichere Methode für die automatisierte Gasanalyse ist. Aber bei zweidimensionalen Merkmalen gibt es einen Bereich, in dem sich eine gemeinsame Häufung einstellt, welche zu einer Irritation in der Auswertung von CPCA und SVDA führen kann. Dieses Problem kann durch eine Erhöhung der Anzahl von Merkmalen gelöst werden.
5. Es wurden sechs die Klassifikationsmethoden: Abstandsgewichtete k-Nächste-Nachbarn-Klassifikation (DW-kNN), das mehrlagige Perzeptron (MLP), Support Vector Machine (SVM), CM, CM ohne MLP und CM mit Abstandskontrolle und AAi-Filter untersucht und miteinander verglichen. Um die Klassifikationsmethoden anzulernen wurden alle Merkmalsreduktions-ergebnisse der CPCA, SVDA und der ASA-PE in Trainings- und Testdaten eingeteilt.
6. Die Ergebnisse zeigen, dass die Kombination aus One-Against-All-SVM (OAA-SVM) und ASA-PE die besten Erkennungsraten liefert. Bei 200 Trainingsdatensätzen wird eine Erkennungsrate von bis zu 99.5% erzielt. Durch diese Kombination können jedoch nur 8 Typen ohne Identifikation von unbekannten Typen ermittelt werden.
7. Wenn das MLP aus CM entfernt wird, werden die Resultate von CM leicht verbessert. Mit Hilfe von 6-Sigma zeigt CM ohne MLP eine gute Erkennungsrate für unbekannte Gase und gleichzeitig bleibt die Erkennungsrate auf einem befriedigenden Niveau.
8. Die Streuung der ASA-PE führt zu einer schlechten Abgrenzung zwischen bekannten und unbekannten Gasen. Stattdessen zeigt die Kombination von CM ohne MLP und CPCA in diesem Fall eine gute Abgrenzung.:Abstract II
Danksagung III
Inhaltsverzeichnis IV
Abkürzungen VII
1 Einführung
1.1 Einleitung
1.2 Entwicklungen bei Gassensoren
1.2.1 Fortschritte bei Material und Messmethode
1.2.2 Fortschritte bei Mustererkennungsmethoden
1.3 Motivation
1.4 Struktur der Arbeit
2 Verfahren zur Gasanalyse
2.1 Messverfahren
2.1.1 Impedanzspektroskopie als Detektionsmethode
2.1.1.1 Definition der Impedanz
2.1.1.2 Bauelemente des elektrischen Modells
2.1.2 Optische Verfahren
2.1.3 Elektrochemische Verfahren
2.2 Merkmalerkennung
2.2.1 Merkmalsreduktion
2.2.1.1 Komplexe Hauptkomponentenanalyse (Engl. Complex Principal Component Analysis)
2.2.1.2 Kernel-Diskriminanzanalyse mittels Support Vektoren (engl. kernel Discriminant Analysis via Support Vector)
2.2.2 Klassifikationsverfahren
2.2.2.1 Abstands-gewichtete k-Nächste-Nachbarn-Klassifikation (engl. Distance weighted k-Nearest-Neighbor-Algorithms, DW-kNN)
2.2.2.2 Mehrlagiges Perzeptron (MLP)
2.2.2.3 Support Vektor Maschine (SVM)
3 Eigene Mustererkennungsverfahren
3.1 Parameterschätzung mittels Adaptive-Simulated-Annealing (ASA-PE)
3.1.1 Allgemeines Impedanzspektroskopiemodell eines Gassensors
3.1.2 Parameterschätzung
3.1.3 Die Optimierungsverfahren
3.2 Committee machine
4 Anwendungsbeispiel
4.1 Experiment mit einem Gassensor aus PEDOT:PSS
4.1.1 Sensoraufbau und vereinfachtes Sensormodell
4.2 Experimentelle Ergebnisse
4.2.1 Messaufbau und Versuchsdurchführung
4.2.2 Vorbereitung zur Messung
4.2.3 Durchführung der Messung
4.2.4 Fehlerbetrachtung
4.2.5 Messergebnisse des Gassensors
4.3 Ergebnisse der Merkmalreduktion
4.3.1 CPCA und SVDA
4.3.2 Parameterschätzung mittels Adaptive-Simulated-Annealing (ASA-PE)
4.4 Ergebnisse der Klassifikationen
4.4.1 Ergebnisse der Gasbestimmung mittels Trainingssatz und Testsatz
4.4.1.1 DW-kNN
4.4.1.2 MLP
4.4.1.3 OAO-SVM
4.4.1.4 OAA-SVM
4.4.1.5 Committee machine
4.4.1.6 CM ohne MLP
4.4.1.7 CM mit AAi-Filter
4.4.2 Abhängigkeit der Klassifikationsergebnisse von der Anzahl der Trainingsdaten
5 Zusammenfassung und Ausblick
5.1 Zusammenfassung
5.2 Ausblick
Abbildungsverzeichnis
Formelverzeichnis
Literaturverzeichnis
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:33150 |
| Date | 12 February 2019 |
| Creators | Li, Fei |
| Contributors | Fischer, Wolf-Joachim, Werthschützky, Roland, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds