Derin ağ tabanlı özniteliklerle gazların sınıflandırılması ve konsantrasyon değerlerinin regresyon analizi

Elektronik burun (e-burun), kimyasal sensör dizilimi ile biyolojik malzemelerden yayılan uçucu bileşikler üzerinde hassas ölçümler yaparak çeşitli özellikleri belirleyen, tanımlayan ve sınıflandıran elektronik algılama teknolojisine dayalı bir cihazdır. İnsan koku alma mekanizmasını taklit ederek çalışan bu sistemler, son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. E-burundaki önemli konulardan biri de farklı gazların farklı konsantrasyon değerlerinin tahmin edilmesidir. Gaz konsantrasyonlarının doğru bir şekilde tahmin edilmesi, hastalık tespiti gibi hassas konularda da çok önemli bir rol oynamaktadır. Bu çalışma, derin öğrenme (Deep Learning, DL) ağlarını kullanarak 4 adet metal oksit gaz sensörü tarafından tespit edilen etanol, metan, etilen ve karbon monoksit gazlarının konsantrasyon seviyelerinin ve değerlerinin sınıflandırma ve regresyon başarılarının artırılması amacıyla yapılmıştır. Gazların konsantrasyon seviyelerine göre sınıflandırma başarılarının karşılaştırılmasında ve belirli bir aralıktaki konsantrasyon değerlerinin tahmin başarılarının karşılaştırılmasında farklı yöntemler kullanılmıştır. Bu işlemlerin gerçekleştirilmesi için gaz verilerine ön işleme ve farklı öznitelik çıkarımı adımları uygulanmıştır. Bu çalışmanın odak noktası, öznitelik çıkarımı yapılmasında yeni yöntemler geliştirerek sınıflandırma ve regresyondan elde edilen başarının artırılmasıdır. Bu amaçla, iki yeni metodoloji önerilmiştir. Geliştirilen yöntemlerden birinde, derin öğrenme ağlarından biri olan Uzun Kısa-Süreli Bellek (Long Short-Term Memory, LSTM) ağlarının tam bağlantılı katmanından öznitelik çıkarımı yapılmış, çıkarılan öznitelikler sınıflandırma ve regresyonda kullanılmıştır. Önerilen diğer metodolojide ise LSTM ağının tam bağlantılı katmanından elde edilen veriler Zamansal Evrişimli Ağ (Temporal Convolutional Network, TCN) modeline giriş olarak uygulanmıştır ve bu TCN'nin tam bağlantılı katmanından elde edilen özniteliklerde sınıflandırma ve regresyon çalışmalarında kullanılmıştır (LSTMFCL-TCNFCL). Önerilen her iki yöntemin sonuçları geleneksel yöntemlere göre karşılaştırıldığında hem sınıflandırma hem de tahmin sonuçlarında iyileşme olduğu, başarının arttığı ve ortalama karesel hataların da önemli ölçüde azaldığı görülmektedir. Ayrıca, ön işleme aşamasında sinyal düzeltme uygulandığı zaman sonuçlarda dikkate değer bir şekilde artış olduğu da görülmektedir. Hem sinyal düzeltmenin uygulanması hem de geliştirilen yöntemlerle sonuçlarda iki taraflı bir iyileşme olması sağlanmıştır. Sınıflandırmada Destek Vektör Makinesi (Support Vector Machines, SVM) algoritması 94,7% ile en yüksek doğruluk oranını verirken, regresyonda ise en düşük ortalama karesel hatalar Gauss Süreci Regresyonu (Gaussian Process Regression, GPR) ile elde edilmiştir.