目前,我正在做一个项目,目的是通过机器学习对坑洞进行分类。收集到的数据来自一个加速度计,其中z轴测量汽车的“垂直”加速度,当一个坑洞被击中时。
我试图解构信号,并使用两种方法创建功能:
有没有其他方法来区分坑洞和“粗糙”的路面,因为我不确定该采取哪种方法?
发布于 2017-08-03 03:34:26
实际上,你可以像对待正常的音频信号一样对待你的听阈仪信号。处理音频数据(例如色度特征)的可能性是无穷的。
另一种方法是利用神经网络(一维卷积或LSTM)直接处理原始信号。
发布于 2017-08-03 08:20:48
而不是光谱特征和移动平均,我建议小波特征。您可以做一个连续小波变换(CWT)或一个短小波变换(SWT),并识别峰值/下降的洞穴出现。小波的优点是它具有很好的抗噪声能力,而且你也可以保存时间轴信息来锁定峰值的位置。
诀窍就是选择一个合适的小波。那些有尖峰形状的,如道贝奇斯和塞姆莱特,将是理想的。
通过适当的特征提取,您甚至可以在不需要机器学习的情况下进行检测。
https://datascience.stackexchange.com/questions/21934
复制