Riassunto analitico
L'obiettivo di questa tesi è sviluppare un metodo per classificare serie temporali nell'ambito di un'applicazione pratica maturata durante un tirocinio presso l'azienda Nano Sensor Systems.
Questa ricerca è stata richiesta da un’azienda produttrice di stick di tabacco, interessata a sviluppare un classificatore basato su sensori olfattivi.
I dati raccolti durante il tirocinio sono serie temporali che rappresentano le variazioni della resistenza di sensori chimici dovute all'interazione con sostanze volatili emesse da stick di tabacco. Queste serie temporali sono state inizialmente analizzate per selezionare la parte del segnale contenente l'impronta olfattiva e successivamente per estrarre le caratteristiche rilevanti da utilizzare come input per i modelli di apprendimento automatico. La ricerca ha incluso la selezione e l'implementazione di diversi algoritmi di machine learning, in particolare Gradient Boosting, XGBoost ed Extra Trees, al fine di identificare e classificare efficacemente le diverse categorie di stick.
I risultati mostrano che determinati modelli di machine learning possono raggiungere un livello di accuratezza promettente nella classificazione, nonostante la presenza di overfitting. Questi risultati indicano il potenziale di queste tecniche per applicazioni future nella rilevazione e classificazione di sostanze volatili. Infine, questo lavoro ha portato alla creazione di un prototipo preliminare di classificatore che permette l'identificazione delle diverse classi di stick, ancora in fase di sviluppo e ottimizzazione.
|
