.png){kind=icon}
返回
A Machine Learning Model for Humidity Estimation Based on Physics-Informed Dimensionality Reduction
.png){kind=icon}
OA
AI
DOI：10.1007/s11071-025-11771-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确高效的湿度估计对各种应用至关重要，特别是在物联网设备和智能传感器日益普及且计算资源受限的背景下。许多传统湿度传感器普遍存在响应动态缓慢的问题，这限制了其在需要快速、实时数据的场景中的性能。本研究提出了一种基于分析微电极间电压放电动态的新型机器学习算法，该算法是一种计算成本低但精度高的估计方法，适用于资源受限环境。我们提出了一种基于物理信息的降维（PIDR）方法，该方法利用底层物理模型——具体而言，即控制微电极间电放电的异常扩散——从高维传感器时序数据中提取低维、具有物理意义的特征。神经参数估计（NPE）通过在受有限实验观测指导的合成增强数据上进行有效训练，将电压放电曲线映射到物理模型的异常扩散参数。这些代表低维物理空间的参数随后与温度读数一同输入到一个紧凑型人工神经网络（ANN）中进行最终湿度预测。这种两阶段、物理感知的架构显著降低了模型复杂度。实验结果表明，PIDR方法能够有效实现高预测精度，同时相比传统参数估计技术或应用于原始数据的纯数据驱动深度学习模型，其计算量和训练数据需求显著减少。本研究强调了将物理原理与机器学习成功结合，以开发适用于智能传感器和可持续物联网应用的、高效、可解释且鲁棒的AI解决方案。
Keyword:
Machine Learning
Humidity Estimation
Physics-Informed Dimensionality Reduction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6
论文数:
1.4W
被引数:
4.1W
机构
引用论文
Enhancing agricultural automation through weather invariant soil parameter prediction using machine learning使用机器学习通过天气不变的土壤参数预测来增强农业自动化.png)
HELIYONOAAI
HELIYONIF3.6
OAAI分享收藏分享收藏Measuring Dynamic Signals with Direct Sensor-to-Microcontroller Interfaces Applied to a Magnetoresistive SensorSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Developing Relative Humidity and Temperature Corrections for Low-Cost Sensors Using Machine Learning使用机器学习为低成本传感器开发相对湿度和温度校正SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Anomalous transport models for fluid classification: insights from an experimentally driven approach流体分类的异常输运模型：基于实验驱动方法的研究洞见Discover NanoOAAI
Discover NanoIF4.5
OAAI分享收藏
查看更多内容