С необходимостью определения состава газообразных сред исследователи сталкиваются при решении широкого спектра задач на производстве, таких как контроль технологических процессов, мониторинг атмосферы рабочей зоны и обнаружение утечек. Наибольшее распространение в системах, выполняющих указанные функции, приобрели резистивные полупроводниковые датчики газа, что обусловлено их низкой стоимостью в сочетании с приемлемой чувствительностью и низким пределом детектирования. Между тем обнаружение примесей посредством полупроводниковых сенсоров затруднено ограниченной селективностью чувствительных элементов, что приводит к необходимости использования большого числа датчиков в составе систем контроля и мониторинга. Таким образом, решение задачи анализа состава газовой смеси неизбежно связано с проблемой совместной обработки данных от сети сенсоров. В свою очередь комплексирование данных может осуществляться на различных уровнях обработки информации. Статья содержит описание классификации методов комплексирования и примеры использования моделей того или иного уровня применительно к задаче детектирования газов. На практике выборка данных, предназначенная для идентификации параметров модели комплексной обработки и оценки ее показателей, зачастую содержит аномальные значения измерений выбросы, которые требуется отсеять для повышения надежности результатов. Методы робастной статистики пригодны для выполнения данной процедуры. В работе приводится несколько возможных вариантов робастификации методов комплексирования. В статье описывается проблема комплексирования информации в задачах количественного анализа состава газовых смесей, а также анализируется эффективность метода PLS и его нелинейных версий на базе ядерных функций, таких как KPLS и SKPLS, на наборе данных из репозитория UCI Machine Learning, содержащем отклики шестнадцати резистивных датчиков газа. По результатам экспериментов наименьшие значения среднеквадратичной ошибки определения концентраций шести органических летучих примесей были достигнуты благодаря использованию линейного метода PLS, робастифицированного при помощи алгоритма RANSAC.

Researchers meet the problem of recognition of gas mixture components within a wide range of industrial applications, such as process control, monitoring of air pollution of the working area and leakage detection. Semiconductor based resistive gas sensors are most widely used in those systems due to low cost, acceptable sensitivity and low limit of detection. However detection of gas impurities via such a sensor is hindered by limited selectivity of sensing element that pushes us towards development of the systems with high number of sensors. So, fusion of data gathered from sensor network is a necessary part of solving the problem of gas mixture analysis. This data fusion can be performed at different levels of processing the information. The paper contains classification of fusion algorithms for various levels and some examples of their application to solving the problem of gas detection. In practice sampled population, which is used to identify the model and estimate its performances, may have anomalous measurement values called outliers. These measurements have to be eliminated from the dataset in order to enhance reliability of the results. The methods of robust statistics are applicable to fulfill such a procedure. The paper presents a few possible ways to provide robustification of data fusion algorithms. The paper describes the problem of data fusion for quantitative evaluation of gas mixtures. It also investigates effectiveness of PLS method and its nonlinear kernel extensions such as KPLS and SKPLS, for the Gas Sensor Array Drift Dataset from UCI Machine Learning Repository. According to the results of experiments, the smallest error of prediction for all six volatile organic compounds has been achieved by RANSAC-based robustification of linear PLS regression model.