Support vector machines for olfactory signals recognition (Articolo in rivista)

Type

• Articolo in rivista (Classe)
• Prodotto della ricerca (Classe)

Label

• Support vector machines for olfactory signals recognition (Articolo in rivista) (literal)

Anno

• 2003-01-01T00:00:00+01:00 (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#doi

• 10.1016/S0925-4005(02)00306-4 (literal)

Alternative label

• Distante C., Ancona N., Siciliano P. (2003)
  Support vector machines for olfactory signals recognition
  in Sensors and actuators. B, Chemical (Print)
  (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#autori

• Distante C., Ancona N., Siciliano P. (literal)

Pagina inizio

• 30 (literal)

Pagina fine

• 39 (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#numeroVolume

• 88 (literal)

Rivista

• Sensors and actuators. B, Chemical (Rivista)

Note

• ISI Web of Science (WOS) (literal)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#affiliazioni

• Istituto per la Microelettronica e Microsistemi IMM-CNR, via Arnesano, 73100 Lecce, Italy; Istituto di Studi sui Sistemi Intelligenti per l’Automazione ISSIA-CNR, via Amendola 166/5, 70123 Bari, Italy (literal)

Titolo

• Support vector machines for olfactory signals recognition (literal)

Abstract

• Pattern recognition techniques have widely been used in the context of odor recognition. The recognition of mixtures and simple odors as separate clusters is an untractable problem with some of the classical supervised methods. Recently, a new paradigm has been introduced in which the detection problem can be seen as a learning from examples problem. In this paper, we investigate odor recognition in this new perspective and in particular by using a novel learning scheme known as support vector machines (SVM) which guarantees high generalization ability on the test set. We illustrate the basics of the theory of SVM and show its performance in comparison with radial basis network and the error backpropagation training method. The leave-one-out procedure has been used for all classifiers, in order to finding the near-optimal SVM parameter and both to reduce the generalization error and to avoid outliers. (literal)

Prodotto di

• Institute of intelligent systems for automation (ISSIA) (Istituto)
• Institute for microelectronics and microsystems (IMM) (Istituto)
• Sistemi Sensoriali per il Controllo di Qualità e Diagnostica (SP.P03.002.001) (Modulo)
• Dispositivi ottici e metodologie ICT per applicazioni industriali (MD.P03.019.002) (Modulo)

Autore CNR

• PIETRO ALEARDO SICILIANO (Unità di personale interno)
• NICOLA ANCONA (Unità di personale interno)
• COSIMO DISTANTE (Unità di personale interno)

Insieme di parole chiave

• Parole chiave di "Support vector machines for olfactory signals recognition" (Insieme di parole chiave)

Incoming links:

Prodotto

• Institute of intelligent systems for automation (ISSIA) (Istituto)
• Institute for microelectronics and microsystems (IMM) (Istituto)
• Dispositivi ottici e metodologie ICT per applicazioni industriali (MD.P03.019.002) (Modulo)
• Sistemi Sensoriali per il Controllo di Qualità e Diagnostica (SP.P03.002.001) (Modulo)

Autore CNR di

• COSIMO DISTANTE (Unità di personale interno)
• NICOLA ANCONA (Unità di personale interno)
• PIETRO ALEARDO SICILIANO (Unità di personale interno)

Http://www.cnr.it/ontology/cnr/pubblicazioni.owl#rivistaDi

• Sensors and actuators. B, Chemical (Rivista)

Insieme di parole chiave di

• Parole chiave di "Support vector machines for olfactory signals recognition" (Insieme di parole chiave)