Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
konferencja
Status:
Autorzy: Badurowicz Marcin, Montusiewicz Jerzy, Karczmarek Paweł
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 1 - 8
Web of Science® Times Cited: 0
Scopus® Cytowania: 5
Bazy: Web of Science | Scopus | IEEE Xplore
Efekt badań statutowych NIE
Finansowanie: Funded by the National Science Centre, Poland under CHIST-ERA programme (Grant no. 2018/28/Z/ST6/00563).
Materiał konferencyjny: TAK
Nazwa konferencji: IEEE International Conference onFuzzy Systems (FUZZ-IEEE) 2020
Skrócona nazwa konferencji: FUZZ-IEEE 2020
URL serii konferencji: LINK
Termin konferencji: 19 lipca 2020 do 24 lipca 2020
Miasto konferencji: Glasgow
Państwo konferencji: WIELKA BRYTANIA
Publikacja OA: NIE
Abstrakty: angielski
In this paper the authors are proposing approximate method for road artefacts detection and their location by analyzing acceleration values recorded in the car during driving over the road fragment using the smartphone mounted in the car. The new method called F-THRESH has been introduced, which is adaptively adjusting threshold for road artefacts detection by the fuzzy system means, allowing for outlier detection in chaotic time streams. First, the road quality is being calculated, then the difference between the current data point and mean acceleration is calculated and those two values are used as the input for the fuzzy system, which is calculating threshold to classify data point as an outlier. The proposed method has been compared to the previously implemented method and has an accuracy over 94% with 1.3% of False Positive Rate for the same problem which makes it a great candidate to be implemented in the IoT Edge scenarios, for reducing amount of data being sent to the cloud analyzing system.