An Efficient Neural Network Model for De-noising of MEMS-Based Inertial Data
Notice bibliographique
Résumé
Micro-Electro-Mechanical System (MEMS)-based inertial technology has recently evolved. It holds remarkable potential as the future technology for various navigation related applications. This is mainly due to the significant reduction in size, cost, and weight of MEMS sensors. A major drawback of low-cost MEMS-based inertial sensors, however, is that their output signals are contaminated by high-level noise. Unless the high frequency noise component is suppressed, optimizing the pre-filtering methodology cannot be achieved. This paper proposes a neural network-based de-noising model for MEMS-based inertial data. A modular, three-layer feedforward neural network trained using the back-propagation algorithm is used for this purpose. Simulated and real MEMS-based inertial data sets are used to validate the model. It is shown that the model is capable of reducing the noise of the Crossbow's AHRS300CA IMU data by over one order of magnitude without altering the stochastic nature of the original signal. This is of utmost importance in developing a generic stochastic model for MEMS-based inertial data. A comparison between the developed neural network model and the wavelet de-noising method is made to further validate the model. It is shown that achieving the same level of noise suppression with wavelet-based de-noising model changes the stochastic characteristics of original signal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».