《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > MEMS|传感技术 > 设计应用 > 基于机器学习的智能传感器综述
基于机器学习的智能传感器综述
电子技术应用
王帅达1,林冠英2,王暖升3,李洋3,尹美华4
1.中国海洋大学 信息科学与工程学部; 2.自然资源部海洋环境探测技术与应用重点实验室; 3.青岛海研电子有限公司;4.中国石油大学 计算机科学与技术学院
摘要: 随着机器学习的飞速发展,机器学习算法创建的智能模型正逐步成为新型传感器数据分析的核心部分。首先介绍了支持机器学习的智能传感器背景,对智能模型的构建和数据集的生成、验证、测试过程进行简述,随后列举了基于机器学习的智能传感器的应用,最后指出了基于机器学习的智能传感器目前面临的问题和挑战并提出了具有可行性的解决方法,为相关研究人员提供有价值的学术参考。
中圖分類號(hào):TP212.6 文獻(xiàn)標(biāo)志碼:A DOI: 10.16157/j.issn.0258-7998.245715
中文引用格式: 王帥達(dá),林冠英,王暖升,等. 基于機(jī)器學(xué)習(xí)的智能傳感器綜述[J]. 電子技術(shù)應(yīng)用,2025,51(3):32-38.
英文引用格式: Wang Shuaida,Lin Guanying,Wang Nuansheng,et al. Overview of smart sensors based on machine learning[J]. Application of Electronic Technique,2025,51(3):32-38.
Overview of smart sensors based on machine learning
Wang Shuaida1,Lin Guanying2,Wang Nuansheng3,Li Yang3,Yin Meihua4
1.Department of Information Science and Engineering, Ocean University of China; 2.Key Laboratory of Marine Environmental Detection Technology and Application, Ministry of Natural Resources; 3.Qingdao Haiyan Electronics Limited Company; 4.Department of Computer Science and Technology, China University of Petroleum
Abstract: With the rapid development of machine learning, intelligent models created by machine learning algorithms are gradually becoming the core part of new sensor data analysis. The paper firstly introduces the background of intelligent sensors that support machine learning, briefly describes the construction of intelligent models and the generation, verification and testing process of data sets, then lists the application of intelligent sensors based on machine learning, finally points out the current problems and challenges of intelligent sensors based on machine learning and puts forward feasible solutions to provide valuable academic reference for relevant researchers.
Key words : machine learning;sensor;intelligent sensing system

引言

傳感器是一種能夠感知、測(cè)量和接收某種特定信號(hào)或物理量的裝置,可以將光、溫度、壓力、濕度、運(yùn)動(dòng)、聲音等轉(zhuǎn)換成電信號(hào)或其他可識(shí)別的形式,從而使人們監(jiān)測(cè)和控制各種物理量。任何現(xiàn)代設(shè)備都離不開傳感器,不同類型的傳感器可以用于不同的應(yīng)用,例如溫度傳感器、壓力傳感器、光學(xué)傳感器、加速度傳感器等。傳感器既可以像拉曼光譜儀測(cè)量構(gòu)成材料的各個(gè)分子內(nèi)不同的震動(dòng)以獲取復(fù)雜的化學(xué)指紋一樣復(fù)雜,也可以像普通的溫度計(jì)測(cè)量溫度一樣簡(jiǎn)單[1]。

21世紀(jì),隨著互聯(lián)網(wǎng)的發(fā)展和大規(guī)模數(shù)據(jù)的積累,機(jī)器學(xué)習(xí)取得了巨大的進(jìn)步[2]。特別是深度學(xué)習(xí)技術(shù)的興起,使得神經(jīng)網(wǎng)絡(luò)等模型在圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域取得了突破性進(jìn)展[3]。機(jī)器學(xué)習(xí)的發(fā)展也對(duì)傳感器技術(shù)產(chǎn)生了深遠(yuǎn)影響。傳感器產(chǎn)生的數(shù)據(jù)量龐大,傳統(tǒng)的數(shù)據(jù)處理和分析方法可能無(wú)法高效地提取有效信息,當(dāng)傳統(tǒng)傳感器系統(tǒng)中的閾值限制被基于機(jī)器學(xué)習(xí)算法創(chuàng)建的高度復(fù)雜的“智能”模型代替后,機(jī)器學(xué)習(xí)可以通過自動(dòng)學(xué)習(xí)和特征選擇的方法,提取和選擇最相關(guān)和有區(qū)別性的特征,從而改善傳感器數(shù)據(jù)的提取和利用。同時(shí)機(jī)器學(xué)習(xí)還可以使傳感器具有自適應(yīng)和自學(xué)習(xí)的能力,通過學(xué)習(xí)環(huán)境和使用者的反饋,自動(dòng)調(diào)整參數(shù),改進(jìn)性能,提高適應(yīng)性準(zhǔn)確性和魯棒性,給傳感器領(lǐng)域帶來了更高的智能化和自動(dòng)化水平,提高了傳感器數(shù)據(jù)的處理和分析效率,拓展了傳感器的應(yīng)用范圍并促進(jìn)了傳感器技術(shù)與其他領(lǐng)域的融合,比如物聯(lián)網(wǎng)[4]、智能制造[5]、智慧城市[6]等。


本文詳細(xì)內(nèi)容請(qǐng)下載:

http://m.ihrv.cn/resource/share/2000006355


作者信息:

王帥達(dá)1,林冠英2,王暖升3,李洋3,尹美華4

(1.中國(guó)海洋大學(xué) 信息科學(xué)與工程學(xué)部,山東 青島 266404;

2.自然資源部海洋環(huán)境探測(cè)技術(shù)與應(yīng)用重點(diǎn)實(shí)驗(yàn)室,廣東 廣州510310;

3.青島海研電子有限公司,山東 青島266000;

4.中國(guó)石油大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山東 青島266555)


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。