在家监控应用程序的数据挖掘和融合框架

科学领域:

• 计算机科学 计算机科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 传感器数据融合 (SDF) 对于整合来自不同来源的数据至关重要.
• 处理异质和复杂的数据集在SDF中是一个重大挑战.
• 现有的SDF方法经常与各种数据格式扎.

研究的目的:

• 提出一种新的传感器数据融合框架,能够处理均和异质数据集.
• 为了比较数据挖掘软件包对传感器数据融合的有效性.
• 开发一个专门为家庭应用量身定制的数据融合框架.

主要方法:

• 利用了同质和异质数据集,包括隐私友好的二进制图像和热/雷达传感数据.
• 与数据挖掘软件包进行比较:RapidMiner Studio,Anaconda,Weka和Orange. 这些软件包有哪些?
• 实施的机器学习模型:天真贝叶斯,决策树,神经网络,随机森林,SGD,SVM和CN2诱导.

主要成果:

• 拟议的SDF框架在同质数据集上实现了84.7%的平均分类准确性.
• 在异质数据集上实现了95.7%的平均分类准确性.
• 交叉验证产生了高性能:94.4%的分类精度,95.7%的精度,96.4%的回忆.

结论:

• 新的SDF框架有效地融合了同质和异质数据,优于现有方法.
• 该框架在数据标签,准备和特征提取方面提供了显著的成本和时间节省.
• 拟议的方法适用于家庭应用,提高数据集成效率.