Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APU149785" target="_blank" >RIV/00216305:26220/23:PU149785 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/10333105" target="_blank" >https://ieeexplore.ieee.org/document/10333105</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICUMT61075.2023.10333105" target="_blank" >10.1109/ICUMT61075.2023.10333105</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition

Popis výsledku v původním jazyce

This paper presents the implementation of an odor classifier that utilizes various machine learning algorithms, including MLP models, LSTM models, Random Forest and XGBoost. These algorithms are applied to a small training dataset obtained from the Smell Inspector sensor, developed by SmartNanotubes Technologies. Study focuses primarily on the classification of five distinct smell substances: air, chlorinated water, vinegar, rum, and coffee, into their respective classes. The best proposed approach achieves a maximum accuracy of 92 percent in this classification task. To further enhance the classification task, binary classifiers are specifically tested to distinguish between air and the remaining substances, representing normal versus abnormal smell conditions. The best binary classifier achieves an accuracy of 97 percent.

Název v anglickém jazyce

Unveiling the Smell Inspector and Machine Learning Methods for Smell Recognition

Popis výsledku anglicky

This paper presents the implementation of an odor classifier that utilizes various machine learning algorithms, including MLP models, LSTM models, Random Forest and XGBoost. These algorithms are applied to a small training dataset obtained from the Smell Inspector sensor, developed by SmartNanotubes Technologies. Study focuses primarily on the classification of five distinct smell substances: air, chlorinated water, vinegar, rum, and coffee, into their respective classes. The best proposed approach achieves a maximum accuracy of 92 percent in this classification task. To further enhance the classification task, binary classifiers are specifically tested to distinguish between air and the remaining substances, representing normal versus abnormal smell conditions. The best binary classifier achieves an accuracy of 97 percent.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20206 - Computer hardware and architecture

Projekt

<a href="/cs/project/FW07010015" target="_blank" >FW07010015: Monitorování kvality vnitřního prostředí budov pomocí senzorů pachu a umělé inteligence </a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2023 15th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT)

ISBN

979-8-3503-9328-6

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

182-187

Název nakladatele

IEEE Computer Society

Místo vydání

Ghent

Místo konání akce

Gent, Belgium

Datum konání akce

30. 10. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—