基于分层机器学习分类器及时间与频域池化特征的智能手机交通方式识别
机器学习
2020-06-15 v1 计算机与社会
物理与社会
机器学习
摘要
本文提出了一种新颖的两层分层分类器，提高了传统交通方式分类算法的准确率。本文还通过提取新的频域特征提升了分类精度。许多研究者从全球定位系统数据获取这些特征；但本文排除了该数据，因为系统使用可能耗尽智能手机电量且在部分地区会丢失信号。我们提出的两层框架与以往分类尝试有三个不同之处：1) 两层输出使用贝叶斯规则结合以选择具有最大后验概率的交通方式；2) 所提框架将新提取特征与传统使用的时间域特征结合形成特征池；3) 每一层基于已分类模式使用不同的提取特征子集。使用了若干机器学习技术，包括k近邻、分类与回归树、支持向量机、随机森林，以及随机森林与支持向量机的异构框架。结果表明所提框架的分类精度优于传统方法。将时域特征变换到频域也在新空间中增加了新特征，并对信息丢失提供更多控制。因此，将时域与频域特征放入大池中再选择最佳子集比单独使用任一域精度更高。所提两层分类器获得了97.02%的最高分类精度。
引用
@article{arxiv.2006.06945,
title = {Smartphone Transportation Mode Recognition Using a Hierarchical Machine Learning Classifier and Pooled Features From Time and Frequency Domains},
author = {Huthaifa I. Ashqar and Mohammed H. Almannaa and Mohammed Elhenawy and Hesham A. Rakha and Leanna House},
journal= {arXiv preprint arXiv:2006.06945},
year = {2020}
}