Noise signature identification using mobile phones for indoor localization
Notice bibliographique
Résumé
Abstract Indoor localization is still nowadays a challenge with room to improve. Even though there are many different approaches that have evidenced as effective, most of them require specific hardware or infrastructure deployed along the building that can be discarded in many potential scenarios. Others that do not require such on-site infrastructure, like inertial navigation-based systems, entail certain accuracy problems due to the accumulation of errors. However, this error-accumulation can be mitigated using beacons that support the recalibration of the system. The more frequently beacons are detected, the smaller will be the accumulated error. In this work, we evaluate the use of the noise signature of the rooms of a building to pinpoint the current location of a low-cost Android device. Despite this strategy is not a complete indoor localization system (two rooms could share the same signature), it allows us to generate beacons automatically. The noise recorded by the device is preprocessed performing audio filtering, audio frame segmentation, and feature extraction. We evaluated binary (determining if the ambient sound recording belonged to a specific room) and multi-class (identifying which room an ambient noise recording belonged to by comparing it amongst the remaining 18 rooms from the original 19 rooms sampled) classification methods. Our results indicate that the two Stacking techniques and K-Nearest Neighbor (KNN) machine learning classifier are the most successful methods in binary classification with an average accuracy of 99.19%, 99,08%, and 99.04%. In multi-class classification the average accuracy for KNN is 90.77%, and 90.52% and 90.15% for both Voting techniques.
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 | 0,000 | 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 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 ».