Resumen

Se estudia la extracción de características y la clasificación por aprendizaje profundo para reconocer el problema del estado de adherencia de los vehículos. La concentración de datos adquiridos por sensores de automóviles contiene un ruido considerable. Por lo tanto, se introduce un autoencoder disperso (autoencoder de eliminación de ruido apilado) para lograr el aprendizaje del peso de la red, restaurar los datos de señal puros originales mediante el uso de una estrategia de convergencia superpuesta y construir una máquina de vectores de soporte (SVM) multiclasificación para la clasificación. Los sensores se adoptan en diferentes entornos de carretera para adquirir señales de datos y reconocer el estado de adherencia en línea. Los resultados muestran que el método propuesto puede alcanzar precisiones superiores a las del método de reconocimiento del estado de adherencia basado en SVM y máquina de aprendizaje extremo.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:método de reconocimiento del estado de adherencia, máquina de vectores soporte multiclasificación, datos originales de señales puras, diferentes entornos viales, aprendizaje de pesos de red, estado de adherencia del vehículo, svm, clasificación, concentración de datos, extracción de características
• Keywords:adhesion status recognition method, multiclassification support vector machine, original pure signal data, different road environments, network weight learning, vehicle adhesion status, svm, classification, data concentration, feature extraction