Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Comparison of Machine Learning Techniques for Vehicle Classification using Road Side Sensors
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Datavetenskap.ORCID-id: 0000-0002-6032-6155
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system. Luleå tekniska universitet, Institutionen för system- och rymdteknik, CDT.
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Signaler och system.ORCID-id: 0000-0002-5888-8626
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Datavetenskap.ORCID-id: 0000-0003-0069-640X
2015 (Engelska)Ingår i: Proceedings of the 2015 IEEE 18th International Conference on Intelligent Transportation Systems: Las Palmas, 15-18 Sept. 2015, Piscataway, NJ: IEEE Communications Society, 2015, s. 572-577, artikel-id 7313192Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

The main contribution of this paper is a comparison of different machine learning algorithms for vehicle classification according to the "Nordic system for intelligent classification of vehicles" standard using measurements of road surface vibrations and magnetic field disturbances caused by vehicles. The algorithms considered are logistic regression, neural networks, and support vector machines. They are evaluated on a large dataset, consisting of 3074 samples and hence, a good estimate of the actual classification rate is obtained. The results show that for the considered classification problem logistic regression is the best choice with an overall classification rate of 93.4%.

Ort, förlag, år, upplaga, sidor
Piscataway, NJ: IEEE Communications Society, 2015. s. 572-577, artikel-id 7313192
Nationell ämneskategori
Reglerteknik Datavetenskap (datalogi)
Forskningsämne
Reglerteknik; Kommunikations- och beräkningssystem
Identifikatorer
URN: urn:nbn:se:ltu:diva-29521DOI: 10.1109/ITSC.2015.100ISI: 000376668800093Scopus ID: 2-s2.0-84950253616Lokalt ID: 30720c89-e0b5-458f-a358-9c159fdc602cISBN: 978-1-4673-6595-6 (digital)OAI: oai:DiVA.org:ltu-29521DiVA, id: diva2:1002745
Konferens
International IEEE Conference on Intelligent Transportation Systems : 15/09/2015 - 18/09/2015
Anmärkning

Validerad; 2016; Nivå 1; 20150810 (wolfgang)

Tillgänglig från: 2016-09-30 Skapad: 2016-09-30 Senast uppdaterad: 2018-07-10Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Kleyko, DenisHostettler, RolandBirk, WolfgangOsipov, Evgeny

Sök vidare i DiVA

Av författaren/redaktören
Kleyko, DenisHostettler, RolandBirk, WolfgangOsipov, Evgeny
Av organisationen
DatavetenskapSignaler och systemCDT
ReglerteknikDatavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 40 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf