論文の概要: A Novel Poisoned Water Detection Method Using Smartphone Embedded Wi-Fi
Technology and Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2302.07153v1
- Date: Mon, 13 Feb 2023 13:16:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 15:08:56.557816
- Title: A Novel Poisoned Water Detection Method Using Smartphone Embedded Wi-Fi
Technology and Machine Learning Algorithms
- Title(参考訳): スマートフォン内蔵Wi-Fi技術と機械学習アルゴリズムを用いた新しい毒水検出法
- Authors: Halgurd S. Maghdid, Sheerko R. Hma Salah, Akar T. Hawre, Hassan M.
Bayram, Azhin T. Sabir, Kosrat N. Kaka, Salam Ghafour Taher, Ladeh S.
Abdulrahman, Abdulbasit K. Al-Talabani, Safar M. Asaad, Aras Asaad
- Abstract要約: We have use the Wi-Fi signal to distinguish clean water from poisoned water through training different machine learning algorithm。
LSTMを適用した場合の分類精度は89%であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Water is a necessary fluid to the human body and automatic checking of its
quality and cleanness is an ongoing area of research. One such approach is to
present the liquid to various types of signals and make the amount of signal
attenuation an indication of the liquid category. In this article, we have
utilized the Wi-Fi signal to distinguish clean water from poisoned water via
training different machine learning algorithms. The Wi-Fi access points (WAPs)
signal is acquired via equivalent smartphone-embedded Wi-Fi chipsets, and then
Channel-State-Information CSI measures are extracted and converted into feature
vectors to be used as input for machine learning classification algorithms. The
measured amplitude and phase of the CSI data are selected as input features
into four classifiers k-NN, SVM, LSTM, and Ensemble. The experimental results
show that the model is adequate to differentiate poison water from clean water
with a classification accuracy of 89% when LSTM is applied, while 92%
classification accuracy is achieved when the AdaBoost-Ensemble classifier is
applied.
- Abstract(参考訳): 水は人体に必要な液体であり、その質と清潔度の自動チェックは研究の現在進行中の領域である。
そのようなアプローチの1つは、液体を様々な種類の信号に提示し、信号減衰量を液体カテゴリーの表示にすることである。
本稿では,Wi-Fi信号を用いて,異なる機械学習アルゴリズムを訓練することにより,清浄水と有毒水とを識別する。
Wi-Fiアクセスポイント(WAP)信号は、同等のスマートフォン内蔵Wi-Fiチップセットを介して取得され、Channel-State-Information CSI測度を抽出して特徴ベクトルに変換し、機械学習分類アルゴリズムの入力として使用する。
CSIデータの測定振幅と位相を入力特徴として、k-NN、SVM、LSTM、Ensembleの4つの分類器を選択する。
実験の結果, lstmを適用した場合, 汚染水と清水との区別精度は89%であり, アダブースト・センブル分類器を適用した場合の分類精度は92%であった。
関連論文リスト
- Wavelet Dynamic Selection Network for Inertial Sensor Signal Enhancement [11.793803540713695]
慣性センサーは様々な携帯機器で広く使われている。
ウェーブレット動的選択ネットワーク(WDSNet)は、可変慣性信号に対する適切なウェーブレット基底をインテリジェントに選択する。
WDSNetは、弱教師付き手法として、比較された全教師付き手法の最先端性能を達成する。
論文 参考訳(メタデータ) (2023-12-29T07:44:06Z) - Improved Static Hand Gesture Classification on Deep Convolutional Neural
Networks using Novel Sterile Training Technique [2.534406146337704]
非接触手ポーズと静的ジェスチャー認識は多くのアプリケーションで注目されている。
本稿では, ステレオ画像の導入により, 効率的なデータ収集手法と深部CNN訓練手法を提案する。
提案されたデータ収集とトレーニング手法を適用すると、静的ハンドジェスチャの分類率が85%から93%に向上する。
論文 参考訳(メタデータ) (2023-05-03T11:10:50Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Spiking Cochlea with System-level Local Automatic Gain Control [13.532394494130468]
本稿では,シリコンスパイクコクランにチャネル特異的自動ゲイン制御(AGC)を実装したシステムレベルアルゴリズムを提案する。
AGCメカニズムは演算のカウントと追加のみを必要とするため、将来の設計ではハードウェアコストの低い実装が可能である。
入力信号が32dB以上の入力範囲で変化する分類タスクに対する局所的なAGCアルゴリズムの影響を評価する。
論文 参考訳(メタデータ) (2022-02-14T13:58:13Z) - An Efficient Epileptic Seizure Detection Technique using Discrete
Wavelet Transform and Machine Learning Classifiers [0.0]
本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。
DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
論文 参考訳(メタデータ) (2021-09-26T18:30:04Z) - Learning-Based UE Classification in Millimeter-Wave Cellular Systems
With Mobility [67.81523988596841]
ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。
効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。
これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
論文 参考訳(メタデータ) (2021-09-13T12:00:45Z) - Motor Imagery Classification based on CNN-GRU Network with
Spatio-Temporal Feature Representation [22.488536453952964]
近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。
脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。
脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
論文 参考訳(メタデータ) (2021-07-15T01:05:38Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳(メタデータ) (2021-02-09T15:48:35Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。