Multichannel convolution neural network for gas mixture classification

YongKyung Oh, Sungil Kim, 이정혜 (2024) · annals-of-operations-research · DOI ↗

혼합 가스 (mixed gas) 분류 에 sensor array → multichannel 이미지 변환 + multichannel-cnn 적용. UCI 공개 데이터 + 실험실 실데이터 검증. 기존 분류 방법 대비 balanced accuracy + weighted F1 우월. 데이터 증강 (data augmentation) 결합. Artificial olfactory system 의 정량 분석.

• RQ: 가스 sensor array 의 복잡 비선형 고차원 데이터 를 image-like multichannel 표현 + CNN 으로 분류 가능한가? 데이터 증강 + 파라미터 초기화의 효과는?
• 방법론: Gas sensor array → multichannel image 변환 + data-augmentation + Multichannel CNN
• 데이터: UCI mixture gas + 실험실 데이터
• 주요 발견: (1) Balanced accuracy + weighted F1 모두 우수 (기존 방법 대비). (2) Multichannel image 표현이 sensor-specific 정보 보존. (3) Data augmentation + 적절한 parameter init 의 robust performance.
• 시사점: 산업 + 일상의 toxic gas 모니터링 + artificial olfactory system 응용. Multichannel image conversion 패턴은 다른 sensor array 도 적용 가능.

요약

이 paper 는 이정혜 의 3 기 SNU TEMEP 의 화학계량학 응용. YongKyung Oh + Sungil Kim (UNIST 산업공학) 와의 협업. Chemistry-informed machine learning: Using chemical property features to improve gas classification performance 의 자매 — 같은 gas classification 도메인의 다른 접근.

방법론적 핵심: Multichannel image 변환. Gas sensor array (예: 16 sensor) → 16-channel image (각 channel = 한 sensor 의 시간 response). CNN 의 image classification 능력 활용 — 각 channel 의 spatial-temporal pattern + cross-channel relationships 학습.

data-augmentation: 작은 학습 데이터의 한계 극복 — temporal shift, scaling, noise 추가.

핵심 발견: UCI mixture gas + 실험실 데이터 모두에서 기존 ML (SVM, RF) + non-multichannel CNN 대비 우수. Multichannel image 의 spatial relationship 이 분류에 critical.

이정혜 의 연구 궤적 안에서 이 paper 는 3 기 화학계량학 응용 라인, Chemistry-informed machine learning: Using chemical property features to improve gas classification performance 와 gas classification 자매 페어.

핵심 결과

항목	결과
Balanced accuracy	우수 (vs baselines)
Weighted F1	우수
Data augmentation	효과 입증
Parameter init	영향 분석

방법론 노트

Sensor array → multichannel image:

For each sample (gas exposure):
  Stack sensor responses → image of shape (T, S, 1)
  T = time, S = sensor index
  Or rearrange to (S, T, 1) — sensor as spatial, time as temporal

multichannel-cnn forward:

$$y = \text{CNN}(\text{Img} \in \mathbb{R}^{C \times H \times W})$$

식별 가정: (i) Multichannel image 가 sensor-specific + cross-sensor 정보 보존, (ii) Data augmentation 의 realistic 변형, (iii) CNN 의 spatial pattern 학습.

연구 계보

이 paper 는 (i) Krizhevsky et al. (2012) CNN image classification 본가, (ii) Chemistry-informed machine learning: Using chemical property features to improve gas classification performance 자매 (같은 도메인), (iii) Gas sensor literature — 의 결합. 이정혜 의 연구 궤적 3 기 화학계량학 응용.

See also

• 이정혜
• YongKyung Oh
• multichannel-cnn
• gas-mixture-classification
• chemometrics
• annals-of-operations-research
• Chemistry-informed machine learning: Using chemical property features to improve gas classification performance

인접 그래프

1-hop 이웃 5개

• 인물 3
• 방법론 1
• 논문 1

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동