Intelligent Sound Monitoring and Identification System Combining Triboelectric Nanogenerator‐Based Self‐Powered Sensor with Deep Learning Technique
Notice bibliographique
Résumé
Abstract Urban sound management is required in a variety of fields such as transportation, security, water conservancy and construction, among others. Given the diverse array of available noise sensors and the widespread opportunity to connect these sensors via mobile broadband Internet access, many researchers are eager to apply sound‐sensor networks for urban sound management. Existing sensing networks typically consist of expensive information‐sensing devices, the cost and maintenance of which limit their large‐scale, ubiquitous deployment, thus narrowing their functional measurement range. Herein, an innovative, low‐cost, sound‐driven triboelectric nanogenerator (SDTENG)‐based self‐powered sensor is proposed, from which the SDTENG is primarily comprised of fluorinated ethylene propylene membranes, conductive fabrics, acrylic shells, and Kapton spacers. The SDTENG‐based sensor has been integrated with a deep learning technique in the present study to construct an intelligent sound monitoring and identification system, which is capable of recognizing a suite of common road and traffic sounds with high classification accuracies of 99% in most cases. The novel SDTENG‐based self‐powered sensor combined with deep learning technique demonstrates a tremendous application potential in urban sound management, which will show the excellent application prospects in the field of ubiquitous sensor networks.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».