Resumen

Los enfoques de aprendizaje automático han sido ampliamente utilizados para abordar el problema de la deriva del conjunto de sensores en sistemas de nariz electrónica. Sin embargo, los datos etiquetados son raros en la práctica, lo que dificulta la aplicación de métodos de aprendizaje supervisado. Mientras tanto, las soluciones actuales requieren actualizar el modelo analítico de manera offline, lo que dificulta su uso en escenarios online. En este artículo, extendimos la Máquina de Aprendizaje Extremo de Adaptación de Dominio Objetivo (DAELM_T) para lograr una alta precisión con menos muestras etiquetadas proponiendo una Máquina de Aprendizaje Extremo de Transferencia de Dominio Ponderado, que utiliza la información de agrupación como conocimiento previo para ayudar a seleccionar muestras etiquetadas adecuadas y calcular una matriz sensible para el aprendizaje ponderado. Además, convertimos DAELM_T y el método propuesto en sus versiones de aprendizaje en línea, en las que los datos etiquetados se seleccionan de antem

• Materias:Internet de las cosas Dispositivos móviles Ransomware Ingeniería de Telecomunicación Servidores en la nube
• Subjects:Internet of things Mobile devices Ransomware Telecommunication engineering Cloud Servers
• Palabras claves:Aprendizaje automático; Deriva del conjunto de sensores; Sistemas E-Nose; Métodos de aprendizaje supervisado; Máquina de aprendizaje extremo de adaptación al dominio de destino; Máquina de aprendizaje extremo de transferencia de dominio ponderada.
• Keywords:Machine learning; Sensor array drift; E-Nose systems; Supervised learning methods; Target Domain Adaptation Extreme Learning Machine; Weighted Domain Transfer Extreme Learning Machine