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
IoT-based Urban Noise Identification Using Machine Learning: Performance of SVM, KNN, Bagging, and Random Forest
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM).
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM). (Parallel Computing)ORCID-id: 0000-0002-4146-9062
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för datavetenskap och medieteknik (DM).ORCID-id: 0000-0003-0512-6350
2019 (Engelska)Ingår i: Proceedings of the International Conference on Omni-Layer Intelligent Systems (COINS '19), New York: ACM Publications, 2019, s. 62-67Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Noise is any undesired environmental sound. A sound at the same dB level may be perceived as annoying noise or as pleasant music. Therefore, it is necessary to go beyond the state-of-the-art approaches that measure only the dB level and also identify the type of noise. In this paper, we present a machine learning based method for urban noise identification using an inexpensive IoT unit. We use Mel-frequency cepstral coefficients for audio feature extraction and supervised classification algorithms (that is, support vector machine, k-nearest neighbors, bootstrap aggregation, and random forest) for noise classification. We evaluate our approach experimentally with a data-set of about 3000 sound samples grouped in eight sound classes (such as car horn, jackhammer, or street music). We explore the parameter space of the four algorithms to estimate the optimal parameter values for classification of sound samples in the data-set under study. We achieve a noise classification accuracy in the range 88% - 94%.

Ort, förlag, år, upplaga, sidor
New York: ACM Publications, 2019. s. 62-67
Nyckelord [en]
bootstrap aggregation (Bagging), internet of things (IoT), k-nearest neighbors (KNN), mel-frequency cepstral coefficients (MFCC), random forest, smart cities, support vector machine (SVM), urban noise
Nationell ämneskategori
Datorsystem
Forskningsämne
Datavetenskap, Programvaruteknik
Identifikatorer
URN: urn:nbn:se:lnu:diva-81767DOI: 10.1145/3312614.3312631Scopus ID: 2-s2.0-85066804134ISBN: 978-1-4503-6640-3 (tryckt)OAI: oai:DiVA.org:lnu-81767DiVA, id: diva2:1303311
Konferens
International Conference on Omni-Layer Intelligent Systems (COINS '19), Crete, Greece — May 05 - 07, 2019
Forskningsfinansiär
KK-stiftelsen, 20150088, 20150259Tillgänglig från: 2019-04-09 Skapad: 2019-04-09 Senast uppdaterad: 2019-08-29Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Pllana, SabriKurti, Arianit

Sök vidare i DiVA

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

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 235 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