請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/79431完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 吳政忠(Tsung-Tsong Wu) | |
| dc.contributor.author | Wei-In Lai | en |
| dc.contributor.author | 賴韋穎 | zh_TW |
| dc.date.accessioned | 2022-11-23T09:00:19Z | - |
| dc.date.available | 2026-10-20 | |
| dc.date.available | 2022-11-23T09:00:19Z | - |
| dc.date.copyright | 2021-11-05 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-10-21 | |
| dc.identifier.citation | [1]Moon, W. J., Yu, J. H., Choi, G. M. (2002). The CO and H2 gas selectivity of CuO-doped SnO2–ZnO composite gas sensor. Sensors and Actuators B: Chemical, 87(3), 464-470. [2]Korotcenkov, G., Brinzari, V., Cerneavschi, A., Ivanov, M., Golovanov, V., Cornet, A., Mornate, J., Cabot, A., Arbiol, J. (2004). The influence of film structure on In2O3 gas response. Thin Solid Films, 460(1-2), 315-323. [3]Peng, L., Xie, T.-F., Yang, M., Wang, P., Xu, D., Pang, S., Wang, D.-J. (2008). Light induced enhancing gas sensitivity of copper-doped zinc oxide at room temperature. Sensors and Actuators B: Chemical, 131(2), 660-664. [4]Krivetsky, V., Ponzoni, A., Comini, E., Rumyantseva, M., Gaskov, A. (2009). Selective modified SnO2-based materials for gas sensors arrays. Procedia Chemistry, 1(1), 204-207. [5]Liu, Y., Wang, L., Wang, H., Xiong, M., Yang, T., Zakharova, G. S. (2016). Highly sensitive and selective ammonia gas sensors based on PbS quantum dots/TiO2 nanotube arrays at room temperature. Sensors and Actuators B: Chemical, 236, 529-536. [6]Zhai, X., Ali, A. A. S., Amira, A., Bensaali, F. (2016). MLP neural network based gas classification system on Zynq SoC. IEEE Access, 4, 8138-8146. [7]Sreelatha, M., Nasira, G., Thangamani, P. (2016). Patten recognition for toxic gases based on electronic nose using artificial neural networks. Paper presented at the 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom). [8]張至綱（2019）。以人工智慧結合氣體感測器陣列偵測混合氣體之種類與濃度。國立臺灣大學應用力學研究所，台北市。 [9]沈韋任（2020）。人工智慧應用於消費級氣體感測器陣列之校正。國立臺灣大學應用力學研究所，台北市。 [10]Xing, Y.-F., Xu, Y.-H., Shi, M.-H., Lian, Y.-X. (2016). The impact of PM2. 5 on the human respiratory system. Journal of thoracic disease, 8(1), E69. [11]Jerrett, M., Burnett, R. T., Pope III, C. A., Ito, K., Thurston, G., Krewski, D., Shi, Y., Calle, E., Thun, M. (2009). Long-term ozone exposure and mortality. New England Journal of Medicine, 360(11), 1085-1095. [12]Pope III, C. A., Dockery, D. W. (1992). Acute health effects of PM10 pollution on symptomatic and asymptomatic children. American review of respiratory disease, 145(5), 1123-1128. [13]Chen, T.-M., Kuschner, W. G., Gokhale, J., Shofer, S. (2007). Outdoor air pollution: nitrogen dioxide, sulfur dioxide, and carbon monoxide health effects. The American journal of the medical sciences, 333(4), 249-256. [14]Zaremba, W., Sutskever, I., Vinyals, O. (2014). Recurrent neural network regularization. arXiv preprint arXiv:1409.2329. [15]Breunig, M. M., Kriegel, H.-P., Ng, R. T., Sander, J. (2000). LOF: identifying density-based local outliers. Paper presented at the Proceedings of the 2000 ACM SIGMOD international conference on Management of data. [16]Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. [17]Chung, J., Gulcehre, C., Cho, K., Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555. [18]Schuster, M., Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE transactions on Signal Processing, 45(11), 2673-2681. [19]Hinton, G. E., Srivastava, N., Krizhevsky, A., Sutskever, I., Salakhutdinov, R. R. (2012). Improving neural networks by preventing co-adaptation of feature detectors. arXiv preprint arXiv:1207.0580. [20]Dietterich, T. G. (2000). Ensemble methods in machine learning. Paper presented at the International workshop on multiple classifier systems. [21]Ribeiro, M. T., Singh, S., Guestrin, C. (2016). ' Why should i trust you?' Explaining the predictions of any classifier. Paper presented at the Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. [22]Lundberg, S. M., Lee, S.-I. (2017). A unified approach to interpreting model predictions. Paper presented at the Proceedings of the 31st international conference on neural information processing systems. [23]Lipovetsky, S., Conklin, M. (2001). Analysis of regression in game theory approach. Applied Stochastic Models in Business and Industry, 17(4), 319-330. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/79431 | - |
| dc.description.abstract | 台灣工業化的蓬勃發展，使得台灣陸陸續續成立許多製造工廠，建立新工廠雖能創造許多就業機會，卻也無可避免地使台灣的空污問題日益嚴重。近年來民眾開始重視空污氣體對身體所造成之危害，政府也運用物聯網技術，大量步建環境微型感測器，並透過網際網路將數據即時傳輸。同時提高了環境監測之時間與空間密度，目前環保署空污感測物聯網可即時查詢PM2.5、溫度以及相對濕度等資訊。 為拓展環保署空污感測物聯網所能偵測之空汙氣體，本研究參考行政院環保署108及109年度之各項空氣污染物年平均值，並且考量目前市售低成本微型感測器之解析度的限制，最終選擇新增臭氧(O3)、一氧化碳(CO)以及二氧化氮(NO2)作為所量測之目標氣體，方可為民眾提供除PM2.5外之其它空汙氣體之資訊。 本文透過自製之低成本微型感測器物聯網裝置，將所偵測之臭氧(O3)、一氧化碳(CO)以及二氧化氮(NO2)之氣體資料上傳雲端供後續訓練人工智慧模型作使用。使用循環神經網路模型作為人工智慧模型之基底，並為各目標氣體獨立建立一人工智慧模型，進行一系列之超參數優化，其初步成果為CO模型驗證誤差達10.25%、O3模型驗證誤差達34.07%、NO2模型驗證誤差達48.35%。接著置換不同循環神經記憶細胞單元再以相同超參數進行重新訓練，比較不同型態之循環神經網路其驗證集性能差異並將其進行集成，使該集成模型成為各氣體模型之最佳模型，CO最佳模型之測試集性能達15.23%、O3最佳模型之測試集性能達37.14%、NO2最佳模型之測試集性能達67.37%。由於各氣體最佳模型隨著新資料之引進，其模型性能有明顯下降之趨勢，後續為各氣體最佳模型進行模型再訓練，藉由更新動態模型之權值使其可動態修正靜態模型之判讀結果。結果顯示CO再訓練模型4個時期之模型平均性能達17.21% (判定係數R^2=0.73)、O3再訓練模型4個時期之模型平均性能達33.6% (判定係數R^2=0.51) 、NO2再訓練模型4個時期之模型平均性能達41.6% (判定係數R^2=0.37)，各氣體再訓練模型所反映之濃度趨勢與環保署公告之小時平均值大致吻合。 最後提供一可解釋模型，該模型將針對氣體模型每一樣本之濃度判讀結果進行事後解釋，使用者可根據各氣體特徵所對應之SHAP Value大小得知各氣體特徵對氣體模型該樣本之判讀結果之貢獻程度。藉由各氣體特徵之貢獻程度大小可直觀理解氣體模型主要依賴何種氣體特徵進行濃度判讀，使用者不僅能接收到氣體模型濃度判讀之結果，更可進一步獲取模型判讀之緣由。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-23T09:00:19Z (GMT). No. of bitstreams: 1 U0001-1710202102252500.pdf: 7278967 bytes, checksum: c4f1f2de86efb33f4c486bb5ed13f47f (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | 目錄 致謝 I 中文摘要 II ABSTRACT IV 目錄 VI 表目錄 VIII 圖目錄 IX 第一章 簡介 1 1.1 研究動機 1 1.2 文獻回顧 2 1.3 章節介紹 3 第二章 低成本微型感測器物聯網裝置製作 4 2.1 目標氣體選擇 4 2.1.1 氣體陣列選擇 6 2.2 硬體裝設 8 2.3 物聯網架構 12 第三章 人工智慧模型 14 3.1 資料前處理 15 3.1.1 原始資料之特徵選擇 15 3.1.2 異常值過濾 16 3.1.3 訓練、驗證及測試集之資料劃分 19 3.2 循環神經網路(RNN) 21 3.2.1 簡單循環神經網路(Simple-RNN) 21 3.2.2 長短期記憶模型(LSTM) 22 3.2.3 門控循環單元(GRU) 24 3.2.4 雙向循環神經網路(Bidirectional-RNN) 26 第四章 實驗結果 33 4.1 氣體模型超參數優化 33 4.1.1 氣體模型之結構設定 34 4.1.2 單氣體模型與雙氣體模型比較 36 4.1.3 Batch size超參數優化 39 4.1.4 Dropout層係數優化 43 4.1.5 不同型態之記憶細胞性能比較 46 4.2 氣體集成模型 49 4.2.1 集成不同型態之記憶細胞模型獲得最佳模型 50 4.2.2 各目標氣體集成模型之結果展示 55 4.3 氣體集成模型再訓練 57 4.3.1 動態更新各氣體集成模型之權值 58 4.3.2 原模型與再訓練模型之性能比較 60 4.3.3 比較原模型與再訓練模型之記憶細胞貢獻度 64 4.3.4 原模型與再訓練模型之結果展示 69 4.4 模型可解釋性 75 4.4.1 SHAP算法介紹 76 4.4.2 SHAP Value計算 77 4.4.3 各氣體集成模型SHAP Value計算結果展示 78 第五章 結論與未來展望 86 5.1 結論 86 5.2 未來展望 88 參考文獻 91 | |
| dc.language.iso | zh-TW | |
| dc.title | 人工智慧在空汙感測器陣列之應用 | zh_TW |
| dc.title | Application of Artificial Intelligence in Air Pollution Sensor Array | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.coadvisor | 劉佩玲(Pei-Ling Liu) | |
| dc.contributor.oralexamcommittee | 孫嘉宏(Hsin-Tsai Liu),張瑞益(Chih-Yang Tseng) | |
| dc.subject.keyword | 人工智慧,循環神經網路,物聯網,集成模型,模型再訓練,模型可解釋性,CO氣體感測,O3氣體感測,NO2氣體感測, | zh_TW |
| dc.subject.keyword | Artificial Intelligence,Recurrent Neural Network,Internet of Things,Ensemble Model,Model Retraining,Explainable Model,CO gas sensing,O3 gas sensing,NO2 gas sensing, | en |
| dc.relation.page | 92 | |
| dc.identifier.doi | 10.6342/NTU202103789 | |
| dc.rights.note | 同意授權(全球公開) | |
| dc.date.accepted | 2021-10-22 | |
| dc.contributor.author-college | 工學院 | zh_TW |
| dc.contributor.author-dept | 應用力學研究所 | zh_TW |
| dc.date.embargo-lift | 2026-10-20 | - |
| 顯示於系所單位： | 應用力學研究所 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-1710202102252500.pdf 此日期後於網路公開 2026-10-20 | 7.11 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。