lnu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • 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
A Machine Learning Driven IoT Solution for Noise Classification in Smart Cities
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för fysik och elektroteknik (IFE).
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM). (Parallel Computing)ORCID-id: 0000-0002-4146-9062
RISE Interactive, Sweden.ORCID-id: 0000-0003-0512-6350
2018 (Engelska)Ingår i: Machine Learning Driven Technologies and Architectures for Intelligent Internet of Things (ML-IoT), August 28, 2018, Prague, Czech Republic, Euromicro , 2018, s. 1-6Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

We present a machine learning based method for noise classification using a low-power and inexpensive IoT unit. We use Mel-frequency cepstral coefficients for audio feature extraction and supervised classification algorithms (that is, support vector machine and k-nearest neighbors) for noise classification. We evaluate our approach experimentally with a dataset of about 3000 sound samples grouped in eight sound classes (such as, car horn, jackhammer, or street music). We explore the parameter space of support vector machine and k-nearest neighbors algorithms to estimate the optimal parameter values for classification of sound samples in the dataset under study. We achieve a noise classification accuracy in the range 85% -- 100%. Training and testing of our k-nearest neighbors (k = 1) implementation on Raspberry Pi Zero W is less than a second for a dataset with features of more than 3000 sound samples.

Ort, förlag, år, upplaga, sidor
Euromicro , 2018. s. 1-6
Nyckelord [en]
urban noise, smart cities, support vector machine (SVM), k-nearest neighbors (KNN), mel-frequency cepstral coefficients (MFCC), internet of things (IoT)
Nationell ämneskategori
Datorsystem
Forskningsämne
Data- och informationsvetenskap, Datavetenskap
Identifikatorer
URN: urn:nbn:se:lnu:diva-81672OAI: oai:DiVA.org:lnu-81672DiVA, id: diva2:1302435
Konferens
Machine Learning Driven Technologies and Architectures for Intelligent Internet of Things (ML-IoT), August 28, 2018, Prague, Czech Republic
Tillgänglig från: 2019-04-04 Skapad: 2019-04-04 Senast uppdaterad: 2019-05-20Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Fulltext

Personposter BETA

Pllana, SabriKurti, Arianit

Sök vidare i DiVA

Av författaren/redaktören
Alsouda, YasserPllana, SabriKurti, Arianit
Av organisationen
Institutionen för fysik och elektroteknik (IFE)Institutionen för datavetenskap och medieteknik (DM)
Datorsystem

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 184 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • 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