Метод многомерной калибровки для селективного анализа (MCSA) позволяет проводить качественный и количественный газовый анализ с использованием единичного полупроводникового сенсора SnO2–PdO с температурной модуляцией. В отличие от сложных сенсорных массивов, MCSA трактует временной ряд изменений сопротивления сенсора при циклическом нагреве как многомерный вектор, для отдельных элементов которого строятся регрессионные модели, связывающие сопротивление с концентрацией целевого газа. Для качественной идентификации газа используется метрика — относительное стандартное отклонение множества оценок концентрации. Если анализируемый газ соответствует модели, то оценки согласованы и наблюдаемое отклонение ниже порогового уровня 0,45; для других газов наблюдаемое отклонение превышает этот порог. Данный подход позволил безошибочно классифицировать примеси H2S, CO, H2 и C2H5OH в воздухе в диапазоне концентраций 0,5–200 ppm. С точки зрения машинного обучения MCSA представляет собой интерпретируемый и эффективный алгоритм бинарной классификации с низкой вычислительной сложностью, что делает его перспективным для автономных IoT-устройств.