Improved waveform‐feature‐based vehicle classification using a single‐point magnetic sensor
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Vehicle classification systems have important roles in applications related to real‐time traffic management. They also provide essential data and necessary information for traffic planning, pavement design, and maintenance. Among various classification techniques, the length‐based classification technique is widely used at present. However, the undesirable speed estimates provided by conventional data aggregation make it impossible to collect reliable length data from a single‐point sensor during real‐time operations. In this paper, an innovative approach of vehicle classification will be proposed, which achieved very satisfactory results on a single‐point sensor. This method has two essential parts. The first concerns with the procedure of smart feature extraction and selection according to the proposed filter–filter–wrapper model. The model of filter–filter–wrapper is adopted to make an evaluation on the extracted feature subsets. Meanwhile, the model will determine a nonredundant feature subset, which can make a complete reflection on the differences of various types of vehicles. In the second part, an algorithm for vehicle classification according to the theoretical basis of clustering support vector machines (C‐SVMs) was established with the selected optimal feature subset. The paper also uses particle swarm optimization (PSO), with the purpose of searching for an optimal kernel parameter and the slack penalty parameter in C‐SVMs. A total of 460 samples were tested through cross validation, and the result turned out that the classification accuracy was over 99%. In summary, the test results demonstrated that our vehicle classification method could enhance the efficiency of machine‐learning‐based data mining and the accuracy of vehicle classification. Copyright © 2014 John Wiley & Sons, Ltd.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle