কোনও ঘরে কত লোক রয়েছে তা সনাক্ত করতে কি সিও 2 সেন্সর ব্যবহার করা সম্ভব?


11

আমার কাছে এমএইচ-জেড 14 কার্বন ডাই অক্সাইড সেন্সর রয়েছে এবং কোনও ঘরে কখন কিছু টাটকা বাতাসের প্রয়োজন হতে পারে তা চেষ্টা করার জন্য এটি ব্যবহার করে চলেছি । তবে, আমি এটাও লক্ষ্য করেছি যে যখন কোনও ঘরে কোনও মানুষ উপস্থিত থাকে এবং বিশেষত সেন্সরটির খুব কাছে থাকে তখন সেন্সর পঠন তীব্রভাবে বৃদ্ধি পায়।

আমি ভাবছি যে কেউ ঘরে একটি আনুমানিক সংখ্যক লোক সনাক্ত করার জন্য কোনও ঘরে বর্তমান সিও 2 মানটি ব্যবহার করার চেষ্টা করেছে এবং এটি কীভাবে সম্ভব এবং নির্ভুল হতে পারে?

উত্তর:


8

@ জসোটোলার মন্তব্য (এমন কিছু: "মেশিন লার্নিংয়ের মতো কিছু মনে হতে পারে") সম্ভবত সঠিক উত্তর, তবে আমি এটিতে কিছুটা প্রসারিত করব।

এটি অন্তত নিম্নলিখিত কারণগুলির উপর নির্ভর করতে চলেছে:

  • ঘরের আকার
  • জনগণের সংখ্যা
  • লোকেরা কী ধরনের ক্রিয়াকলাপ করছে
  • ঘরে রয়েছে বায়ুচলাচল পরিমাণ (উইন্ডোজ / এসি / ...)
  • সেন্সরের সঠিকতা এবং প্রতিক্রিয়া সময় ব্যবহৃত হয়
  • সেন্সর সংখ্যা এবং অবস্থান

আমি একজন সহযোগী থেকে তথ্য ব্যবহার করেছেন 2 মোটামুটিভাবে একটি একক রুম জন্য অতীতে রুম দখল অনুমান করার জন্য সেন্সর, আমি সময়ে রুট শেখার মেশিন নিচে যাচ্ছে শেষ পর্যন্ত করা হয়নি, বরং পরিবর্তন সিও হার ভালো জিনিস ব্যবহার 2 দিতে একটি সূচক (আরও বেশি লোক তত দ্রুত মূল্য উপরে উঠে যায়)। তবে আমি যদি আবার এটি করি তবে আমি সম্ভবত প্রশিক্ষণের উপাদান হিসাবে ডেটা সংগ্রহ করা শুরু করব gathering

এটি অন্য সেন্সরের সাথে ডেটা ফিউজ করার উপযুক্তও হতে পারে, যেমন একটি আপেক্ষিক আর্দ্রতা সংবেদক কারণ এটি একই সাথে বৃদ্ধি পেতে পারে।


8

- এটা কিছু গবেষণায় এই ইতিমধ্যে সম্পন্ন করা হয়েছে মনে হচ্ছে, ইন্ডোর সিও উপর দখল সনাক্তকরণ ভিত্তি করে: প্রক্সি দ্বারা সেনসিং 2 ঘনত্ব বর্ণনা একটি মডেল ক্যালিফোর্নিয়া, বার্কলে বিশ্ববিদ্যালয়ের উন্নত সিও উপর ভিত্তি করে দখল সনাক্ত করতে 2 ঘনত্ব।

আমরা একটি লিঙ্ক মডেল প্রস্তাব করি যা একটি ডেটা-চালিত মডেলের উপর ভিত্তি করে অজানা মানব নির্গমন হারের সাথে প্রক্সি পরিমাপের সাথে সম্পর্কিত যা একটি আংশিক ডিফারেনশিয়াল সমীকরণ (পিডিই) - সাধারণ ডিফারেনশিয়াল সমীকরণ (ওডিই) সিস্টেম সমন্বিত।

তাদের পরীক্ষা করা অন্যান্য মেশিন লার্নিং মডেলের তুলনায় তাদের মডেল দৃশ্যত আরও নির্ভুল:

প্রক্সি দ্বারা সেন্সর করে বায়ু রিটার্ন এবং এয়ার সাপ্লাই ভেন্টগুলিতে সিও 2 পরিমাপের উপর ভিত্তি করে রুমে থাকা দখলদারদের সংখ্যার অনুপাত একাধিক মেশিন লার্নিং অ্যালগরিদমকে ছাড়িয়ে যায় এবং 0.6569 (ভগ্নাংশ ব্যক্তি) এর সামগ্রিক গড় স্কোয়ার ত্রুটি অর্জন করে, যখন বেয়েস নেট দ্বারা সেরা বিকল্প হ'ল 1.2061 (ভগ্নাংশ ব্যক্তি)।

কাগজে থাকা অ্যালগরিদম 1 (পি। 3) কীভাবে তাদের জন্য অনুরূপ একটি সিস্টেম প্রয়োগ করতে পারে সে সম্পর্কে কিছু দিকনির্দেশনা দিতে পারে, যা সিও 2 সেন্সরের সরলতম প্রকৃতির কারণে আশ্চর্যজনকভাবে নির্ভরযোগ্য বলে মনে হয় ।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.