Statistical learning methods applied to road pavement classification

• J. P. Paulo ^[1] ; J. L. Bento Coelho
  1. [1] Instituto Politécnico de Lisboa

     Instituto Politécnico de Lisboa

     Socorro, Portugal

     
• Localización: Tecniacústica 2008: conferencias y comunicaciones de Acústica 2008. V Congreso Ibérico de Acústica y Tecniacustica 2008; 39.º Congreso Español de Acústica. Coímbra, Portugal. octubre, 2008, 2008
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • português

    O procedimento utilizado para avaliar a influência das características dos pavimentos rodoviários no veículo e no ruído junto da fonte sonora designa-se por método de Proximidade Imediata, CPX, conforme consta na norma ISO 1182-2 draft. Este método consiste em medir o ruído junto a uma roda num veículo em movimento utilizando um conjunto de pelo dois microfones. Os objectivos principais desta investigação são identificar e classificar diferentes tipos de superfícies rodoviárias com base na análise das características do ruído captado em campo próximo recorrendo a técnicas de aprendizagem estatística. Extracção e selecção de características é um dos primeiros passos associados a um sistema de classificação sendo que os resultados dependem fortemente do vector de características escolhido. A classificação de pavimentos permite melhorar os dados de entrada utilizados nos modelos dos mapas de ruído. Os resultados apresentados evidenciam a precisão da classificação e o custo computacional.

  • English

    The measurement procedure to evaluate the influence of road surface characteristics on vehicle and traffic noise is designated by Close-Proximity (CPX) method, as described in the ISO 11819-2 draft. This procedure consists on acquiring the vehicle rolling noise signal near the tires and close to the surface by means of at least two microphones in a special arrangement. The main goal of this research is to identify and classify different types of road pavements by analyzing the near field sound profile using Statistical-learning methods. Feature extraction and selection is one of the first procedures on a classifier system. Moreover, the accuracy of the results is strongly dependent on the choice of the selected feature vector. An important issue of road pavement classification regards the improvement of the quality of road traffic data in order to increase the accuracy of the road noise mapping models. Results based on the probability of costly errors are presented and discussed. The resulting approach is evaluated with respect to classification accuracy and computational cost.