Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Neurocomputación
Jiuwen Cao a,∗, Tuo Zhao a, Jianzhong Wang a, Ruirong Wang B, Yun Chen a
a Laboratorio clave para IOT y tecnología de fusión de información de Zhejiang, Universidad Hangzhou Dianzi, Zhejiang 310018, China
B Facultad de Ciencias de la Información e Ingeniería de Instrumentos, Universidad Hangzhou Dianzi, Zhejiang 310018, China
Historia del artículo: Un algoritmo eficiente para el reconocimiento de dispositivos de movimiento de tierras es esencial para la protección
Recibido el 30 de septiembre de 2015
de cables subterráneos de alta tensión en China continental. Utilizando señales acústicas generadas por el motor o el
Revisado el 26 de enero de 2016
choque durante las operaciones, en este documento se desarrolla un sistema de clasificación inteligente para cuatro
Aceptado el 24 de marzo de 2016
equipos de excavación representativos (a saber, martillos eléctricos, martillos hidráulicos, máquinas de corte y
Disponible en línea xxx
excavadoras). Primero se establece una base de datos de ondas acústicas de referencia que se recopila de un sitio de
Palabras clave: construcción real. Luego, se desarrolla un enfoque mejorado de extracción de características basado en los
Sistema de vigilancia inteligente Coeficientes Cepstruales de Frecuencia Mel (MFCC) que pueden describir de manera eficiente la dinámica de la onda
Procesamiento de señales acústicas acústica. La reciente máquina de aprendizaje extremo, rápida y eficaz, se emplea como clasificador en el sistema de
- 2MFCC
clasificación propuesto.
Máquina de aprendizaje extrema
1. Introducción ciones. Equipar el pavimento con sensor de fibra óptica junto con los cables
eléctricos para detectar las señales de vibración generadas por los equipos de
Como vía pavimentada económica y segura, el cable eléctrico subterráneo se construcción es otro método ampliamente utilizado para la protección de cables.
ha utilizado ampliamente en China continental debido al rápido desarrollo de la [3]. Pero tiene dos carencias: i) el rango de detección del sensor de fibra óptica es
urbanización. Sin embargo, numerosos informes mostraron recientemente que las demasiado corto para proporcionar protecciones efectivas; y ii) la tasa de falsas
fallas y averías de los cables eléctricos ocurrían casi todos los días en China. Las alarmas es demasiado alta, ya que no puede distinguir si la vibración proviene de
propiedades de la red eléctrica, los fabricantes y la seguridad de las personas se dispositivos de excavación o interferencias, como vehículos que pasan. Los
han visto seriamente afectadas. Estas frecuentes averías de cables provocaron sistemas de vigilancia basados en tecnología de imagen / video son otros
decenas de miles de pérdidas económicas cada año. La falla del cable subterráneo métodos de uso frecuente para la protección de cables.[4,49]. Aunque la detección
se debe a varias razones, que incluyen deterioro natural, daños externos, de dispositivos de excavación basada en imágenes / video funciona bien en
envejecimiento del cable, calidad del cable, etc.[1]. El informe estadístico de State algunas circunstancias, tiene un rendimiento deficiente en la noche o en entornos
Grid revela que más del 50% de las averías de cables de 2009 a 2011 son causadas con poca luz.
por daños externos, como se muestra enFigura 1. Los equipos de excavación son En vista de las desventajas de los métodos anteriores, nuestro objetivo es
las principales fuentes externas de destrucción de cables eléctricos. Por lo tanto, la desarrollar un sistema de vigilancia las 24 horas para la protección de cables
construcción de un sistema de vigilancia que pueda detectar automáticamente los subterráneos en este documento. Salvo vibraciones e imágenes visuales, todos los
posibles daños causados por los equipos de excavación es esencial y urgente dispositivos de excavación generan la señal acústica, ya sea por motor o por
para el sistema de suministro de energía. choque durante las operaciones. Iluminados por esta característica, investigamos
el algoritmo de clasificación basado en el procesamiento de señales acústicas para
Se han prestado muchos esfuerzos y atenciones a la protección de cables eléctricos el reconocimiento de dispositivos de excavación y la protección de cables
por parte de la industria y la comunidad de investigación en las últimas décadas. [2-4]. La subterráneos. La extracción de características juega un papel vital en la
colocación de señales de advertencia junto con las direcciones de los cables subterráneos clasificación de señales acústicas y de voz. Los enfoques existentes incluyen el
puede evitar algunas destrucciones provocadas por el hombre. análisis de frecuencia de tiempo[5], transformación wavelet [6], tasa de cruce por
[2]. Sin embargo, las marcas de advertencia generalmente se pasaban por alto durante el funcionamiento. cero (ZCR) [7], coeficientes cepstrales de predicción lineal (LPCC) [8], Coeficientes
cepstruales de frecuencia Mel (MFCC) [9], etc. También se investigan algoritmos
populares de clasificación estadística e inteligente para la clasificación acústica,
∗ Autor correspondiente. como la red neuronal artificial [10], modelo de Markov oculto (HMM) [11], Modelo
Dirección de correo electrónico: jwcao@hdu.edu.cn (J. Cao). de mezcla gaussiana (GMM)
http://dx.doi.org/10.1016/j.neucom.2016.03.113 0925-2312 / ©
2017 Elsevier BV Todos los derechos reservados.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Fig. 3. Ondas acústicas del martillo hidráulico recogidas desde diferentes distancias.
Figura 4. Ondas acústicas del martillo eléctrico, cortadora y excavadoras recogidas en 15m.
degradar el rendimiento de la clasificación, como los vehículos que pasan, las papel. Después de generar la base de datos de características, se emplea el método ELM
bocinas, el ruido del viento, etc. Todos estos problemas han planteado desafíos rápido para entrenar una red neuronal de palabras de alimentación para la clasificación.
para la clasificación de los equipos de excavación. Es poco probable que un En este documento también se desarrolla una plataforma de vigilancia en tiempo real
clasificador basado en estadísticas simples funcione bien para tal aplicación. para la clasificación de equipos de excavación.
Con este objetivo, diseñamos un clasificador robusto con la ayuda de un algoritmo
inteligente para el reconocimiento de dispositivos de excavación de carreteras en este 3. El sistema de clasificación propuesto
documento. Para garantizar un rendimiento de clasificación estable y convencido, una
base de datos de ondas acústicas relativamente completa que consta de muestras En esta sección, se proporciona una descripción detallada de nuestro
acústicas recolectadas en diversas condiciones de trabajo es el paso esencial y clave. El algoritmo propuesto. Antes de enunciar el enfoque, se describe un diagrama de
enfoque eficaz de extracción de características y el algoritmo de clasificación flujo del sistema de clasificación enFigura 5. Incluye principalmente dos pasos: En
desempeñan un papel fundamental en el reconocimiento. Para reflejar la característica el primer paso, la señal acústica se pretrata para obtener cuadros cortos. El MFCC
dinámica de la señal acústica, proponemos un enfoque mejorado de extracción de de segundo orden (-2MFCC) se extrae la característica de ondas acústicas para
características MFCC que describe las variaciones de primer y segundo orden entre cuatro equipos de excavación para construir la base de datos de capacitación. El
fotogramas consecutivos en este etiquetado-2Características de MFCC obtenidas de cuadros cortos
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
3.1. Preprocesamiento El espectro de poder disperso PAGSmetro para el espectro de la señal X(k) se
obtiene tomando el cuadrado de su módulo de la siguiente manera
Hmetro(k) = 1 (7)
encuadre de la señal, ya que tiene un buen rendimiento en resolución de
metro= 0
frecuencia y una fuga espectral aceptable. [20]. La siguiente ecuación proporciona
una descripción detallada de la función de la ventana de Hamming 4. El espectro logarítmico S(metro)
Para que los resultados sean más robustos al ruido y a los errores de
W (n) = (1 - α) - α porque(2πn / (N - 1)), 0 ≤ norte ≤ norte - 1 (2) estimación, el espectro logarítmico S(metro) del espectro de potencia en cada
donde α es un valor empírico y generalmente se establece en 0.46 [48]; norte cuadro se calcula mediante una operación logarítmica como
denota el número de muestras en cada fotograma. ( )
∑1
norte-
2
S (m) = en |PAGS
metro| Hmetro(k) (0 ≤ metro ≤ METRO) (8)
3.2. La extracción mejorada de características de MFCC
k= 0
La extracción de características de la señal acústica es el paso clave del donde Hmetro(k) es el banco de filtros, S(metro) es el espectro logarítmico,
sistema de clasificación, que también juega un papel dominante en el PAGSmetro es el espectro de potencia disperso, y METRO es el número de
desempeño de la clasificación. A continuación, propusimos un algoritmo bancos de filtros.
basado en extracción de características MFCC mejorado para señales 5. Transformada de coseno discreta (DCT)
acústicas de dispositivos de excavación. El procedimiento de cálculo La variación DCT se utiliza principalmente para calcular los componentes
detallado se da a continuación. del espectro de diferentes bandas de frecuencia, lo que hace que el
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
ELM fue propuesto por Huang et al. para la red neuronal de alimentación
directa de una sola capa oculta en 2004 y su capacidad de aproximación
universal se demostró en 2006-2008[24-26]. Logros recientes en ELM,
incluido el ELM multicapa, el ELM basado en campos receptivos locales[32–
34], etc. El principal mérito de ELM es que todos los nodos ocultos se
generan aleatoriamente y son independientes de los datos de
entrenamiento. En la etapa de entrenamiento de ELM, solo necesita
determinar el número de nodos ocultos y calcular los pesos de salida
[35]. Los algoritmos ELM basados en poda recientes han demostrado además
que el número de neuronas ocultas de ELM se puede determinar
automáticamente con el1-enfoque de regularización [36,37]. En comparación con
los algoritmos de aprendizaje populares tradicionales, ELM aprende mucho más
rápido y, a menudo, tiene una mejor capacidad de generalización.[38–45].
En este documento, ELM se aplica para entrenar un modelo de
redes de alimentación directa de una sola capa oculta (SLFN) con
múltiples entradas y salidas. DenotarX j = (X j1, X j2,. . .X jm)T como vector
de entrada, y j = (y j1, y j2,. . . ,y jn)T el vector de salida de la red, y t j =
Figura 6. El filtro triangular Hmetro(k). (t j1, t j2,. . .t jn)T como vector de salida objetivo, el modelo de red de un
SLFN es
∑r
vector de dimensión independientes entre sí. Los coeficientes MFCC Fr (X j ) = βIGRAMOI(X j ), j = 1, 2,. . . ,r (12)
basados en la variación DCT se derivan como I= 1
∑1
norte- donde βI = [βI1, βI2 · · · βen] T es el vector de peso que une el Ith
C (n) = S (m) porque(πNuevo Méjico - 0.5) /M), (0 ≤ norte ≤ METRO) (9) capa oculta al nodo de salida, r es el número de neuronas ocultas y
metro= 0 GRAMOI(Xj) es una función aditiva de nodo oculto como
I=k
∑
1 GRAMO(a1 · Xnorte + B1) ··· GRAMO(ar · Xnorte + Br )
D2(norte) = √ I · D (n + I) (11) norte×r
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Tabla 2
Rendimiento de clasificación con función MFCC.
Tabla 3
Rendimiento de clasificación con -Característica MFCC.
Cuadro 4
Rendimiento de clasificación con -2Característica MFCC.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Cuadro 5
Rendimiento de clasificación con -2MFCC en cuatro dispositivos
de excavación.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
Tabla 6
La tasa de reconocimiento y las comparaciones de MRR en los cuatro dispositivos.
Tabla 7
La tasa de reconocimiento y las comparaciones de MRR con la estrategia de voto mayoritario.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
5. Conclusiones y labor futura [10] P. Gao, Estudio sobre la optimización del clasificador de redes neuronales de
retropropagación, Universidad de Ciencia y Tecnología de Huazhong, 2012.
[11] T. Nguyen, A. Khosravi, D. Creighton, Modelos de markov ocultos para la clasificación del
Los cables subterráneos de alta tensión sufrieron graves destrucciones por cáncer mediante perfiles de expresión génica, Inf. Sci. 316 (2015) 293–307.
dispositivos de exacción externos en las ciudades urbanas de muchos países en [12] H. SadeghHohammadi, R. Saeidi, Mejora del rendimiento de la identificación de hablantes
desarrollo. Para construir un sistema de vigilancia eficiente, investigamos el utilizando el modelo de mezcla gaussiana con posprocesador de clasificación GMM, en:
IEEE International Conference on Signal Processing and Communications, 2007, págs. 24–
reconocimiento de equipos de excavación basados en señales acústicas en este
27. Dubai, Emiratos Arabes Unidos
artículo. Se ha desarrollado un algoritmo mejorado de extracción de [13] G. Hinton, Redes neuronales profundas para el modelado acústico en la clasificación del habla: los
características acústicas basado en el popular MFCC, en el que se exploran las puntos de vista compartidos de cuatro grupos de investigación, IEEE Signal Process. revista 29 (6)
(2012) 82–97.
variaciones dinámicas entre fotogramas consecutivos. Luego, el algoritmo de
[14] E. Cambria, B. White, Jumping NLP curves: a review of natural language processing
clasificación se ha construido en la red neuronal artificial utilizando el reciente research, IEEE Comput. Intell. revista 9 (2) (2014) 48–57.
enfoque de máquina de aprendizaje extremo en caliente (ELM). Se han recopilado [15] J. Cao, J. Liu, J. Wang, X. Lai, Sensor de vector acústico: revisiones y perspectivas
futuras, IET Signal Process. 11 (1) (2017) 1–9.
señales acústicas reales de cuatro dispositivos de excavación representativos de
[dieciséis] W. Zhang, Estudio sobre el sistema de clasificación de sonidos objetivo basado en
un sitio de construcción de metro real para probar la efectividad del algoritmo Audiory Bionics, Graduate University of Chinese Academy of Sciences, 2012.
propuesto. Se ha presentado la robustez del algoritmo sobre señales acústicas [17] Y. Pao, G. Park, D. Sobajic, Características de aprendizaje y generalización de la red de
enlaces funcionales de vectores aleatorios, Neurocomputing 6 (2) (1994) 163–180.
capturadas a diferentes distancias. Las comparaciones con el algoritmo BP
[18] Y. Pao, Y. Takefuji, Computación en red de enlace funcional, teoría, arquitectura de sistemas
convencional han demostrado que nuestro algoritmo es superior en precisión de y funcionalidades, IEEE Comput. 25 (5) (1992) 76–79.
reconocimiento y velocidad de aprendizaje. Mientras tanto, se instaló una [19] M. Sarma, k. Dutta, K. Sarma, Speech corpus of assamese numerals extraído usando
plataforma de software basada en nuestro algoritmo propuesto en un sitio de un filtro de pre-énfasis adaptativo para la clasificación del habla, en: The 2010
International Conference on Computer and Communication Technology (ICCCT),
construcción de metro real para el monitoreo en tiempo real. Los resultados de las Allahabad, Uttar Pradesh, 2010, págs. 461–466 .
pruebas reales recopilados mostraron que nuestro algoritmo es capaz de [20] W. Astuti, W. Sediono, A. Aibinu, Análisis adaptativo de la transformada de Fourier de corto
proporcionar un rendimiento prometedor en la clasificación de equipos de tiempo (STFT) de la señal eléctrica sísmica (SES): una comparación de hamming y ventana
rectangular, en: El 2012 IEEE Symposium on Industrial Electronics and Applications (ISIEA) ),
excavación.
Bandung, Indonesia, 2012, págs. 372–377.
Vale la pena señalar las siguientes direcciones futuras de investigación y [21] J. Huang, S. Xiao, Q. Zhou, Un algoritmo robusto de extracción de características para la
desarrollo. Para resolver los problemas de clasificación de los equipos de clasificación de objetivos acústicos en entornos salvajes, Circ. Syst. Proceso de señal. 34 (7)
(2015) 2395–2406.
excavación de carreteras, las bases de datos específicas de la aplicación son
[22] K. Mem, M. Abd, R. Al-Makhlasawy, Reconocimiento automático de modulación en sistemas
urgentes e importantes. Hicimos un esfuerzo por clasificar la acústica de inalámbricos inalámbricos de múltiples portadoras con características cepstrales, Wirel. Persona.
cuatro dispositivos de excavación típicos desde la perspectiva de la Comun. 81 (2015) 1243–1288.
[23] P. Khunarsal, C. Lursinsap, T. Raicharoen, Clasificación de sonido ambiental de muy corto
aplicación. Se necesita un análisis más detallado de estas características
tiempo basada en la coincidencia de patrones de espectrograma, Inf. Sci. 243 (2013) 57–74.
junto con la creciente base de datos. Es fundamental probar el rendimiento
de las funciones especiales en una base de datos común, lo que permite [24] G.-B. Huang, Q. Zhu, C. Siew, Máquina de aprendizaje extrema: un nuevo esquema de
aprendizaje de redes neuronales de retroalimentación, en: Actas de la Conferencia conjunta
obtener funciones de sonido más representativas. El análisis de múltiples
internacional de IEEE sobre redes neuronales, 2004, págs. 985–990.
funciones en un conjunto de datos más grande se puede utilizar para [25] G.-B. Huang, H. Zhou, X. Ding, Máquina de aprendizaje extrema para regresión y
empoderarnos con mejores estrategias de selección. Además, la clasificación multiclase, IEEE Trans. Syst., Hombre Cybern. 42 (2) (2012) 513–529.
investigación actual asume que un solo dispositivo de excavación se [26] J. Cao, W. Wang, J. Wang, R. Wang, reconocimiento de equipos de excavación basado en
características estadísticas acústicas novedosas, IEEE Trans. Cybern. (99) (2016) 1–13, doi:
presenta a la vez. En una aplicación real, se encuentran con frecuencia varios 10. 1109 / TCYB.2016.2609999.
equipos de excavación que operan simultáneamente. Por lo tanto, [27] S. Poria, E. Cambria, G. Winterstein, G.-B. Huang, Patrones semánticos: reglas basadas en la
dependencia para el análisis de sentimientos a nivel de concepto, Knowl. Syst basado. 69
(2014) 45–63.
[28] E. Cambria, P. Gastaldo, F. Bisio, R. Zunino, Un modelo basado en ELM para el razonamiento
Reconocimiento analógico afectivo, Neurocomputing 149 (2015) 443–455.
[29] S. Poria, E. Cambria, A. Hussain, G.-B. Huang, Hacia un marco inteligente para el
Este trabajo fue apoyado por la Fundación Nacional de Ciencias análisis de datos afectivos multimodales, Neural Netw. 63 (2015) 104–116.
[30] E. Principi, S. Squartini, E. Cambria, F. Piazza, Coincidencia de plantillas acústicas para la
Naturales (NNSF) de China (Beca No. 61503104), y en parte por NNSF de detección automática de estados de emergencia: un algoritmo basado en ELM,
China (Grant No. U1509205). Neurocomputing 149 (2015) 426–434.
[31] S. Poria, E. Cambria, N. Howard, G.-B. Huang, A. Hussain, Fusionando pistas de audio,
Referencias visuales y textuales para el análisis de sentimientos a partir de contenido multimodal,
Neurocomputing 174 (2016) 50–59.
[32] J. Tang, C. Deng, G.-B. Huang, máquina de aprendizaje extrema para perceptrón multicapa,
[1] J. Cao, W. Huang, T. Zhao, J. Wang, R. Wang, Un algoritmo de clasificación de equipos de
IEEE Trans. Neural Netw. Aprender. Syst. 27 (4) (2016) 809–821.
excavación mejorado basado en la característica dinámica del espectro acústico,
[33] G.-B. Huang, Z. Bai, LLC Kasun, CM Vong, máquina de aprendizaje extremo basada en
Multidimens. Syst. Proceso de señal. (2015), doi:10.1007 / s11045-015-0374-z.
campos receptivos locales, IEEE Comput. Intell. revista 10 (2) (2015) 18–29.
[2] G. Tian, A. Fu, Z. Yang, Prevención del daño por fuerza externa del cable de alimentación
[34] G.-B. Huang, ¿Qué son las máquinas de aprendizaje extremas? llenando el espacio entre el
urbano, Shandong Dianli Jishu 41 (4) (2014) 66–68.
sueño de frank rosenblatt y el rompecabezas de john von neumann, Cognit. Computación.
[3] J. Li, L. Ping, Estudio sobre el método de extracción de características para eventos anormales típicos
7 (2015) 263–278.
de tuberías enterradas, Chin. J. Sens. Actuat. 23 (7) (2010) 968–972.
[35] X. Li, W. Mao, W. Jiang, Máquina de aprendizaje extremo basada en el aprendizaje de
[4] Y. Wang, J. Li, P. He, El estudio de la tecnología de identificación automática para
múltiples núcleos para el diseño de clasificación, Neural Comput. Apl. 27 (1) (2016) 175–184.
vehículos móviles en la gestión del tráfico rodado, Microcomput. Inf. (2006) 193-195.
[5] P. Pai, H. Deng, J. Sundaresan, Caracterización de frecuencia de tiempo de ondas de cordero
[36] Y. Miche, A. Sorjamaa, P. Bas, O. Simula, C. Jutten, A. Lendasse, OP-ELM: máquina de
para evaluación de materiales e inspección de daños de placas, Mech. Syst. Proceso de
aprendizaje extremo óptimamente podada, IEEE Trans. Neural Netw. 21 (1) (2010)
señal. (2015) 183–206.
158–162.
[6] B. Feizifar, M. Haghifam, S. Soleymani, Aplicación de la transformada de ondas [37] Y. Miche, M. van Heeswijk, P. Bas, O. Simula, A. Lendasse, TROP-ELM: un ELM de
continuas para la localización de fallas en líneas aéreas combinadas y redes de doble regularización usando LARS y regularización tikhonov, Neurocomputing 74
distribución de cables, en: La 7a Conferencia Internacional de Ingeniería Eléctrica y (16) (2011) 2413–2421.
Electrónica (ELECO), Bursa, Turquía, 2011, págs. 142-146. [38] J. Cao, Z. Lin, Máquina de aprendizaje extrema en aplicaciones de gran tamaño y
[7] A. Ghosal, R. Chakraborty, S. Haty, Clasificación de voz / música usando el patrón de datos: una encuesta, Matemáticas. Probl. Ing. 2015 (2015) 1–12, doi:10.1155 /
ocurrencia de ZCR y STEm, en: el Tercer Simposio Internacional de Aplicación de 2015/103796.
[39] J. Cao, Y. Zhao, X. Lai, M. Ong, C. Yin, Z. Koh, N. Liu, Reconocimiento de puntos de referencia
Tecnología de la Información Inteligente de 2009, NanChang, China, 2009, págs.
con clasificación de representación escasa y máquina de aprendizaje extrema, J. Franklin
435–438.
Inst. 352 (10) (2015) 4528–4545.
[8] M. Yusnita, M. Paulraj, S. Bakar, identificación de acentos en inglés malasio mediante
LPC y análisis de formantes, en: IEEE International Conference on Control System, [40] J. Cao, T. Chen, J. Fan, clasificación Landmark con histograma de arco compacto y
Computing and Engineering (ICCSCE), Penang, Malasia, 2011, págs. 472–476. conjunto ELM, Multim. Herramientas Appl. 75 (5) (2016) 2839–2857.
[9] K. Ahmad, A. Thosarz, H. Jagannath, Un enfoque único en la clasificación de hablantes
[41] J. Cao, Z. Lin, detección de señales bayesianas con medidas comprimidas, Inf. Sci. 289
independientes del texto utilizando conjuntos de características MFCC y red neuronal
(2014) 241–253.
[42] J. Cao, L. Xiong, Clasificación de secuencias de proteínas con algoritmos de máquina de
probabilística, en: La Octava Conferencia Internacional sobre Avances en el Reconocimiento
aprendizaje extremos mejorados, BioMed Res. En t. 2014 (2014) 1–12, doi:10.1155 /
de Patrones (ICAPR), 2015. Kolkata, India
2014/103054.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113
JID: NEUCOM
ARTÍCULO EN PRENSA [m5G; 20 de febrero de 2017; 13: 38]
[43] J. Cao, K. Zhang, M. Luo, C. Yin, X. Lai, Máquina de aprendizaje extrema y representación Jianzhong Wang recibió su Licenciatura en la Escuela de Ciencias
escasa adaptativa para clasificación de imágenes, Neural Netw. 81 (2016) 91–102. de la Computación e Ingeniería de la Universidad de XiDian en 1985
[44] A. Akusok, K. Bjork, Y. Miche, A. Lendasse, Máquinas de aprendizaje extremo de alto y la Maestría en la Escuela de Ciencias de la Computación e
rendimiento: una caja de herramientas completa para aplicaciones de big data, IEEE Open Ingeniería de la Universidad de Zhejiang en 1993, respectivamente.
Access 3 (2015). Se incorporó como profesor en la Universidad de Hangzhou Dianzi
[45] G.-B. Huang, X. Ding, H. Zhou, Máquina de aprendizaje extremo basada en el método de desde 1985. Ahora es profesor en la Universidad de Hangzhou
optimización para clasificación, Neurocomputing 74 (2010) 155–163. Dian. Se ha desempeñado como vicedecano de la Escuela de
[46] J. Cao, J. Hao, X. Lai, C.-M. Vong, M. Luo, máquina de aprendizaje extremo Ensemble y Automatización desde 2000 y secretario del Comité de Escuela del
clasificación de representación escasa, J. Franklin Inst. 353 (17) (2016) 4526–4541. Partido desde 2005. Ahora es también el director del instituto de
información y control.
[47] J. Xu, H. Zhou, G.-B. Huang, Reconocimiento rápido de objetos basado en máquinas de
aprendizaje extremo, en: 15ª Conferencia Internacional sobre Fusión de Información
(FUSION), Singapur, 2012, págs. 1490–1496.
[48] H. Trang, T.-H. Loc, H.-B. Hoang, Combinación propuesta de extracción de características PCA
y MFCC en el sistema de reconocimiento de voz, en: Actas de la Conferencia internacional Ruirong Wang recibió su licenciatura y maestría en el Instituto de
de 2014 sobre tecnologías avanzadas para las comunicaciones (ATC), Hanoi, Vietnam, 2014, Tecnología de Harbin y recibió su doctorado en la Universidad de
págs. 697–702. Zhejiang, es profesor (Ciencia y Tecnología de Instrumentación) en
[49] M. Golparvar-Fard, A. Heydarian, J. Niebles, Reconocimiento de acción basado en visión de equipos de la Facultad de Ciencias de la Información de la Vida e Ingeniería de
movimiento de tierras utilizando características espacio-temporales y clasificadores de máquinas de Instrumentos en la Universidad Hangzhou Dianzi, Hangzhou,
vectores de soporte, Adv. Ing. Inf. 27 (4) (2013) 652–663. China. Tiene experiencia laboral de dos años en el MIT como
científico investigador, en el Departamento de Ingeniería Mecánica
Jiuwen Cao recibió el B.Sc. y M.Sc. títulos de la Escuela de y División de Bioingeniería. Ganó el premio de excelente maestro
Matemáticas Aplicadas, Universidad de Ciencia y Tecnología de la Universidad en 2004 y un destacado instructor de diseño de
Electrónica de China, Chengdu, China, en 2005 y 2008, posgrado en 2013. Es miembro del personal del Programa de
respectivamente, y el Ph.D. Licenciado por la Escuela de Ingeniería Capacitación para Científicos Jóvenes Excelentes y del Programa de
Eléctrica y Electrónica de la Universidad Tecnológica de Nanyang Talentos 151 del Nuevo Siglo (tercer nivel) de la provincia de
(NTU), Singapur, en 2013. De 2012 a 2013, fue investigador Zhejiang. Él ha con-
asociado de la NTU. Ha sido profesor asociado en la Universidad de dirigió y supervisó una serie de proyectos de investigación y publicó artículos en revistas
Hangzhou Dianzi, Hangzhou, China, desde 2013. Dos de sus internacionales como Journal of Software, Journal of Sensors and Actuators y Journal of
artículos han sido incluidos en el Top 1% citados por Essential Zhejiang University. Sus principales intereses de investigación incluyen sistemas
Science Indicators en 2016. Sus intereses de investigación actuales integrados en red, tecnología e instrumentos de medición.
incluyen máquinas de aprendizaje extremo, aprendizaje
automático, redes neuronales y procesamiento de señales de
matriz. Dr. Cao ha sido Yun Chen nació en la provincia de Zhejiang, China, en 1976.
se desempeña como Editor Asociado de Sistemas Multidimensionales y Procesamiento de Recibió el título de BE de la Universidad Tecnológica del Sur
Señales desde 2015. Se ha desempeñado como Editor Invitado para un número especial en Central (Universidad Central del Sur), China, en 1999, el título
Sistemas Multidimensionales y Procesamiento de Señales y dos números especiales en de ME y el Ph.D. grado de la Universidad de Zhejiang, China,
Problemas Matemáticos en Ingeniería, y ahora organiza un número especial en la Revista del en 2002 y 2008, respectivamente. Desde agosto de 2009
Instituto Franklin. Se desempeñó como Presidente del Programa de la 5a Conferencia hasta agosto de 2010, fue investigador invitado en la Escuela
Internacional sobre Máquinas de Aprendizaje Extremo, Singapur, en 2014, y Presidente de de Computación, Ingeniería y Matemáticas de la Universidad
Publicaciones de la 6a y 7a Conferencia Internacional sobre Máquinas de Aprendizaje Extremo, de Western Sydney, NSW, Australia. Se incorporó a la
China, en 2015 y Singapur, en 2016, respectivamente. Track Copresidente del IEEE TENCON 2015, Universidad de Hangzhou Dianzi, China, en 2002, donde
y miembro del PC del IEEE CIT 2016 y 2017. actualmente es profesor. Sus intereses de investigación
incluyen sistemas estocásticos, redes neuronales, etc.
Tuo Zhao recibió la licenciatura de la Universidad de Yan'an en junio de
2013. Su dirección de investigación es la ciencia de la información
electrónica. Ahora está cursando la maestría en laboratorio clave para
tecnología de fusión de información de la Universidad de Hangzhou
Dianzi. Sus intereses de investigación incluyen la extracción de
características acústicas y el reconocimiento de patrones.
Cite este artículo como: J. Cao et al., Clasificación de equipos de excavación basada en características mejoradas de MFCC y ELM, Neurocomputing
(2017), http://dx.doi.org/10.1016/j.neucom.2016.03.113