論文の概要: AN An ica-ensemble learning approach for prediction of uwb nlos signals
data classification
- arxiv url: http://arxiv.org/abs/2402.17808v1
- Date: Tue, 27 Feb 2024 11:42:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 17:23:52.260498
- Title: AN An ica-ensemble learning approach for prediction of uwb nlos signals
data classification
- Title(参考訳): uwb nlos信号データの分類予測のためのICAアンサンブル学習手法
- Authors: Jiya A. Enoch, Ilesanmi B. Oluwafemi, Francis A. Ibikunle and Olulope
K. Paul
- Abstract要約: 本研究は、無線通信による情報調和と、超広帯域レーダ信号を用いたNLOSシナリオにおける個人識別に焦点を当てた。
実験では、静的データに対して88.37%、動的データに対して87.20%の分類精度を示し、提案手法の有効性を強調した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trapped human detection in search and rescue (SAR) scenarios poses a
significant challenge in pervasive computing. This study addresses this issue
by leveraging machine learning techniques, given their high accuracy. However,
accurate identification of trapped individuals is hindered by the curse of
dimensionality and noisy data. Particularly in non-line-of-sight (NLOS)
situations during catastrophic events, the curse of dimensionality may lead to
blind spots due to noise and uncorrelated values in detections. This research
focuses on harmonizing information through wireless communication and
identifying individuals in NLOS scenarios using ultra-wideband (UWB) radar
signals. Employing independent component analysis (ICA) for feature extraction,
the study evaluates classification performance using ensemble algorithms on
both static and dynamic datasets. The experimental results demonstrate
categorization accuracies of 88.37% for static data and 87.20% for dynamic
data, highlighting the effectiveness of the proposed approach. Finally, this
work can help scientists and engineers make instant decisions during SAR
operations.
- Abstract(参考訳): 探索・救助(SAR)シナリオにおける追跡された人間の検出は、広汎なコンピューティングにおいて大きな課題となる。
本研究は,高精度な機械学習技術を活用することでこの問題に対処する。
しかし、閉じ込められた個体の正確な識別は、次元と雑音データの呪いによって妨げられている。
特に、破滅的な出来事における非視線(NLOS)の状況において、次元性の呪いは、検出におけるノイズや非相関値による盲点につながる可能性がある。
本研究では,無線通信による情報調和と,UWBレーダ信号を用いたNLOSシナリオにおける個人識別に焦点を当てた。
特徴抽出に独立成分分析(ICA)を用い,静的および動的データセットのアンサンブルアルゴリズムを用いて分類性能を評価する。
実験の結果,静的データでは88.37%,動的データでは87.20%の分類精度が示され,提案手法の有効性が示された。
最後に、この作業は科学者やエンジニアがSAR操作中に即時決定を下すのに役立つ。
関連論文リスト
- Research on Dynamic Data Flow Anomaly Detection based on Machine Learning [11.526496773281938]
本研究では,非教師なし学習法を用いて動的データフローの異常を同定する。
類似したデータをクラスタリングすることで、ラベル付きデータを必要とせずに、通常のトラフィックから著しく逸脱するデータ挙動を検出することができる。
特に、不均衡なデータのコンテキストにおいて、堅牢で適応可能なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-09-23T08:19:15Z) - Deep Learning for identifying systolic complexes in SCG traces: a cross-dataset analysis [3.2109665109975696]
サイストリック複合体を検出する最先端のソリューションは、Deep Learningモデルに基づいている。
本研究では,実世界のシナリオからのデータも考慮し,データセット間の実験分析を行った。
論文 参考訳(メタデータ) (2024-08-08T13:10:03Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - A Meta-level Analysis of Online Anomaly Detectors [4.852567314334134]
ストリーミングデータにおける異常のリアルタイム検出が注目されている。
しかし、ストリーミングデータに対する異常検出の有効性と効率を比較するには、ほとんど注意が払われていない。
本稿では,異なるアルゴリズム群から抽出した主要なオンライン検出器の質的,総合的な概要について述べる。
論文 参考訳(メタデータ) (2022-09-13T11:28:15Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳(メタデータ) (2021-06-22T16:53:09Z) - ReLearn: A Robust Machine Learning Framework in Presence of Missing Data
for Multimodal Stress Detection from Physiological Signals [5.042598205771715]
マルチモーダル生理学的信号から抽出したバイオマーカーからのストレス検出のための堅牢な機械学習フレームワークであるReLearnを提案する。
ReLearnは、トレーニングと推論フェーズの両方において、欠落したデータと外れ値に効果的に対処する。
提案手法は,50%以上のサンプルが欠落している場合でも,86.8%のクロスバリデーション精度が得られることを示す。
論文 参考訳(メタデータ) (2021-04-29T11:53:01Z) - Enhancing Robustness of On-line Learning Models on Highly Noisy Data [7.812139470551903]
新たに設計されたアンサンブル予測を備えたRobust Anomaly Detector(RAD)の2層オンラインデータ選択フレームワークを拡張します。
RADは、異常検出の精度を確実に改善し、IoTデバイス攻撃の98.95%、クラウドタスク障害の85.03%、顔認識の77.51%まで到達することができる。
論文 参考訳(メタデータ) (2021-03-19T14:13:16Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-22T14:49:33Z)
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。