کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6957121 1451915 2018 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Dynamic classification using multivariate locally stationary wavelet processes
ترجمه فارسی عنوان
طبقه بندی پویا با استفاده از فرآیندهای موجک محلی چند متغیره
کلمات کلیدی
موجها، استقرار محلی، سیگنالهای چندگانه، انسجام، انسجام جزئی،
ترجمه چکیده
روش های طبقه بندی تحت نظارت سیگنال ها به طور کلی هدف قرار دادن یک سیگنال برای یک کلاس برای تمام مدت زمان آن است. در این مقاله، یک فرمول جایگزین برای سیگنال های چند متغیره ارائه می کنیم که در آن عضویت کلاس ها در طول زمان تغییر می کند. بنابراین هدف ما از طبقه بندی سیگنال به عنوان یک کل به طبقه بندی سیگنال در هر نقطه زمان به یک تعداد ثابت از کلاس های شناخته شده تغییر می کند. ما فرض می کنیم که هر کلاس با یک فرایند تولید ثابت ثابت مشخص می شود، اما سیگنال به عنوان یک کل به دلیل تعویض کلاس، ناپایدار خواهد بود. برای تطبیق این ناپیوستگی، ما از مدل چند بعدی مدل موضعی ثابت استفاده می کنیم. برای تعیین عدم اطمینان در عضویت در کلاس در هر نقطه زمانی، هدف ما این نیست که یک عضو کلاس مشخص تعریف کنیم، بلکه محاسبه احتمال یک سیگنال متعلق به یک کلاس خاص است. تحت این چارچوب، ما نتایج برخی از سازگاری آستانه را ثابت می کنیم. این روش همچنین نشان داده شده است که به خوبی در هنگام استفاده از داده های شبیه سازی شده و شتاب سنج کاربرد داشته باشد. در هر دو مورد، روش ما قادر به قرار دادن احتمال بالا در کلاس صحیح برای اکثر نقاط زمان است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر پردازش سیگنال
پیش نمایش مقاله
طبقه بندی پویا با استفاده از فرآیندهای موجک محلی چند متغیره
چکیده انگلیسی
Methods for the supervised classification of signals generally aim to assign a signal to one class for its entire time span. In this paper we present an alternative formulation for multivariate signals where the class membership is permitted to change over time. Our aim therefore changes from classifying the signal as a whole to classifying the signal at each time point to one of a fixed number of known classes. We assume that each class is characterised by a different stationary generating process, the signal as a whole will however be nonstationary due to class switching. To capture this nonstationarity we use the recently proposed Multivariate Locally Stationary Wavelet model. To account for uncertainty in class membership at each time point our goal is not to assign a definite class membership but rather to calculate the probability of a signal belonging to a particular class. Under this framework we prove some asymptotic consistency results. This method is also shown to perform well when applied to both simulated and accelerometer data. In both cases our method is able to place a high probability on the correct class for the majority of time points.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Signal Processing - Volume 152, November 2018, Pages 118-129
نویسندگان
, , ,