A Smart Car Parking System Based on IoT with Gray Wolf Optimization-Probability Correlated Neural Network Recognition Methods
Notice bibliographique
Résumé
The use of vehicles is increasing every day because of the growing industrialization. Hence, parking the vehicles in the metropolitan cities could create the traffic congestion, which is one of the major problem need to be resolved in the smart city systems. For this purpose, this research work intends to develop a smart car parking system with proper controlling and monitoring units. The main motive of this work was to avoid the traffic congestion by developing an advanced car parking system with the help of Internet of Things (IoT) technology. Also, an image processing technique is utilized in this framework for identifying whether the car is present or not in the parking area. In which, an Anisotropic Diffusion Gaussian Filtering (ADGF) technique is utilized to preprocess the given image for improving the quality and reducing the noise effects. After that, the Grey Level Co-occurrence Matrix (GLCM) is employed to extract the contrast, correlation, energy and homogeneity features. After that, the suitable number of features are optimally selected by using the Grey Wolf Optimization (GWO) technique, which efficiently improves the speed of operation. Finally, the Probability Correlated Neural Network (PCNN) technique deployed for accurately recognizing that whether the car is present or not. For validation, the performance of this scheme is evaluated and compared by using various measures.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».