您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202003-295
论文题目 基于类别的鲁棒空气监测传感器校准方法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

A Category-Based Calibration Approach with Fault Tolerance for Air Monitoring Sensors

首发时间:2020-03-26

WANG Rao 1   

Wang Rao (1995-) female, major research direction: Machine Learning, Data Mining. Email: 17120421@bjtu.edu.cn.

LI Qing-Yong 1   

Li Qingyong(1979-),male,professor,major research direction:Artificial Intelligence, Big Data. E-mail:liqy@bjtu.edu.cn.

YU Hao-Min 1    CHEN Ze-Chuan 1    ZHANG Ying-Jun 1    ZHANG Ling 2    CUI Hou-Xin 2    ZHANG Ke 2   
  • 1、School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044
  • 2、Hebei Sailhero Environmental Protection Hi-tech., Ltd, Shijiazhuang 050035

Abstract:Air pollution monitoring has attracted much attention in recent years because of the deterioration of the environment. Standard stations, installed by governments with a high cost, can provide reliable air quality information; whereas a large number of portable air monitoring sensors with low cost are widely used and output less precise results.In this paper, we propose a category-based calibration approach (CCA) using machine learning algorithms for such portable sensors. Compared with traditional methods that often learn a single regression model, CCA includes multiple regression models according to pollutant concentration categories, and builds a more accurate mapping from sensor readings to reference. Furthermore, CCA introduces two fault-tolerance modules: classification tolerance and sample tolerance. The former mitigates the impact of misclassification for concentration category, and the latter improves the robustness of individual regression model. Our approach is evaluated on carbon monoxide (CO) and ozone (O$_{3}$) from two cities of China. The experiment results show that CCA has a better performance than traditional calibration models in both accuracy and robustness.

keywords: machine learning, air quality, air monitoring sensors, category-based calibration, fault-tolerance strategy.

点击查看论文中文信息

基于类别的鲁棒空气监测传感器校准方法

王娆 1   

Wang Rao (1995-) female, major research direction: Machine Learning, Data Mining. Email: 17120421@bjtu.edu.cn.

李清勇 1   

Li Qingyong(1979-),male,professor,major research direction:Artificial Intelligence, Big Data. E-mail:liqy@bjtu.edu.cn.

俞浩敏 1    陈泽川 1    张英俊 1    张玲 2    崔厚欣 2    张克 2   
  • 1、北京交通大学计算机与信息技术学院
  • 2、河北先河环保科技股份有限公司,石家庄 050035

摘要:近年来, 由于环境的恶化, 空气污染监测引起了广泛关注。 政府建立了许多标准站点来监测空气污染物的浓度变化。虽然这些标准站可以提供准确的污染物浓度数据,但是由于成本高昂,难以实现密集化布点。因此,大量低成本、便携式的空气监控传感器得到了广泛的应用,但是它们的精度往往较低。本论文使用机器学习算法,构建基于类别的传感器校准方法(CCA)。 传统校准模型使用单一回归模型,CCA根据污染物的浓度类别建立多个回归模型,以构建从传感器读数到参考读数的更准确的映射。此外,CCA引入了两个容错模块:分类容错和样本容错。前者减轻了分类模型错分的影响,后者提高了每个回归模型的鲁棒性。我们的方法对来自中国两个城市的一氧化碳(CO)和臭氧(O$_3$)进行了评估。实验结果表明,CCA比传统校准模型具有更好的准确性和鲁棒性。

关键词: 机器学习, 空气质量, 空气监测传感器, 基于类别的校准, 容错策略

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
WANG Rao,LI Qing-Yong,YU Hao-Min,et al. A Category-Based Calibration Approach with Fault Tolerance for Air Monitoring Sensors[EB/OL]. Beijing:Sciencepaper Online[2020-03-26]. http://www.paper.edu.cn/releasepaper/content/202003-295.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于类别的鲁棒空气监测传感器校准方法