Influence of data normalization on the effectiveness of neural networks applied to classification of pavement conditions – case study

• Autorzy: Marciniuk K. , Kostek B.

Warianty tytułu

PL

Wpływ normalizacji danych na efektywność treningu i skuteczność sztucznych sieci neuronowych na przykładzie klasyfikacji stanu nawierzchni

• Języki publikacji: EN

Abstrakty

EN

In recent years automatic classification employing machine learning seems to be in high demand for tele-informatic-based solutions. An example of such solutions are intelligent transportation systems (ITS), in which various factors are taken into account. The subject of the study presented is the impact of data pre-processing and normalization on the accuracy and training effectiveness of artificial neural networks in the case of pavement condition classification. First, audio parametrization process is shortly described and then the most commonly used methods of data normalization are recalled. Examples of analyses are shown, along with conclusions on application of neural networks to pavement moisture condition classification. A neural network based on the Java Neuroph library was designed. Training time and the network evaluation efficiency of the data without and with normalization performed were shown and analyzed. As it turns out, the Z-score normalization is the most accurate, and also the fastest one for the dataset gathered.

PL

Automatyczna klasyfikacja wykorzystująca algorytmy uczenia maszynowego wymaga zastosowania rozwiązań teleinformatycznych. Przykładem takich rozwiązań są inteligentne systemy transportowe (ITS), w których brane są pod uwagę różne czynniki. Przedmiotem niniejszych badań jest wpływ wstępnego przetwarzania danych i normalizacji na dokładność i skuteczność treningu sztucznych sieci neuronowych w przypadku klasyfikacji stanu nawierzchni. W pierwszej kolejności krótko opisano proces parametryzacji sygnałów fonicznych, a następnie przywołano najczęściej używane metody normalizacji danych. Przedstawiono przykłady analiz wraz z wnioskami dotyczącymi zastosowania sieci neuronowych do klasyfikacji stanu nawierzchni. Zaprojektowano sieć neuronową w oparciu o bibliotekę Neuroph w języku Java. Zbadano czas treningu oraz skuteczność sieci dla danych bez obróbki, oraz stosując opisane metody normalizacji danych.

Słowa kluczowe

EN

data normalization; neural networks; case study; classification of pavement conditions

PL

normalizacja danych; sztuczne sieci neuronowe; klasyfikacja stanu nawierzchni; studium przypadku

• Wydawca: Wydział Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne
• Rocznik: 2018
• Tom: T. 23
• Strony: 5--12
• Opis fizyczny: Bibliogr. 13 poz., wykr., tab., rys.

Twórcy

autor

Marciniuk K.

• Gdansk University of Technology, Faculty of Electronics, Telecommunications and Informatics, Audio Acoustics Laboratory

autor

Kostek B.

• Gdansk University of Technology, Faculty of Electronics, Telecommunications and Informatics, Audio Acoustics Laboratory

Bibliografia

• [1] Huang Z., Deng L., An Overview of Modern Speech Recognition. In: Handbook of Natural Language Processing, Second Edition, pp. 339-366.
• [2] Hoffmann P., Kostek B., Bass Enhancement Settings in Portable Devices Based on Music Genre Recognition. In: Journal of the Audio Engineering Society, Vol. 63, No. 12, December 2015, DOI: 10.17743/jaes.2015.0087.
• [3] Łopatka K., Żwan P., Czyżewski A., Dangerous Sound Event Recognition Using Support Vector Machine Classifiers. In: Advances in Multimedia and Network Information System Technologies, 2010 Berlin, Heidelberg.pp 49-57, DOI: 10.1007/978-3-642-14989-4_5.
• [4] Delgado-Trejos, E., Quiceno-Manrique, A., Godino-Llorente, J. et al., Digital Auscultation Analysis for Heart Murmur Detection. In: Ann Biomed Eng (2009) 37: 337. DOI:10.1007/s10439-008-9611-z.
• [5] Kurowski A., Marciniuk K., Kostek B., Separability Assessment of Selected Types of Vehicle-Associated Noise. In: Zgrzywa A., Choroś K., Siemiński A. (eds) Multimedia and Network Information Systems. Advances in Intelligent Systems and Computing, vol 506. Springer, Cham.
• [6] Chintalacheruvu N., Muthukumar V., Video Based Vehicle Detection and Its Application in Intelligent Transportation Systems. In: Journal of Transportation Technologies, 2012, 2, 305-313. DOI: /10.4236/jtts.2012.24033.
• [7] Al Shalabi L., Shaaban Z, Kasasbeh B.,Data Mining: A Preprocessing Engine. In J. of Computer Science 2, pp735-739, 2006, ISSN 1549-3636.
• [8] Goldin D. Q., Kanellakis P. C., On Similarity Queries for Time-Series Data: Constraint Speciation and Implementation, In Proc. of the 1st Int'l Conf. on the Principles and Practice of Constraint Programming. Cassis, pp 137-153, 1995 .
• [9] Normalizacja i standaryzacja danych. In: Metody klasyfikacji we wspomaganiu diagnostyki nowotworów techniką płytek genowych, http://microarray.republika.pl/pdf/r5_1_3.pdf, access date: 20.06.2017.
• [10] Jarocka M., Wybór formuły normalizacyjnej w analizie porównawczej obiektów wielocechowych, DOI: 10.12846/j.em.2015.01.08
• [11] MIRtoolbox 1.5 Users Manual, retrieved from https://www.jyu.fi/hum/laitokset/musiikki/en/research/coe/materials/mirtoolbox/MIRtoolbox1.5G uide, access date: 20.06.2017.
• [12] Fastl H., Zwicker E., Psychoacoustics: Facts and Models, Springer Science & Business Media, 2007.
• [13] Neuroph Java Neural Network Framework, technical documentation, http://neuroph.sourceforge.net/, access date: 22.06.2017.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).