Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Optimal Quality of Information Service in an Electronic Commerce Website Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Soil Humidity Classification Based on Confident Learning via UWB Radar Echoes with Noisy Labels

verfasst von : Chenghao Yang, Jing Liang

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Aiming at the classification problem of soil UWB radar echo signals with noisy labels, this paper proposes a new method for classifying soils with different VWC based on confidence learning and logistic regression. Ten UWB soil echo signals with different VWC were applied to this method. Simulation experiment results show that this method has a better classification performance than the logistic regression model without confidence learning. This proves that this method can solve the problem of noisy labels in the practical application of UWB to determine soil parameters and has certain practical application prospects.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel UAV Detection and Recognition Based on RF Fingerprint
Nächstes Kapitel Laser Point De-Fuzzy Method Based on Stitched Background Mapping
Literatur
1.
Lambot S, Slob EC, Idesbald VDB, Stockbroeckx B, Vanclooster M (2004) Modeling of ground-penetrating radar for accurate characterization of subsurface electric properties. IEEE Trans Geosci Rem Sens 42(11):2555–2568CrossRef
2.
Njoku EG, Jackson TJ, Lakshmi V, Chan TK, Nghiem SV (2003) Soil moisture retrieval from AMSR-E. IEEE Trans Geosci Rem Sens 41(2):215–229CrossRef
3.
Lambot S, Slob EC, Van den Bosch I, Stockbroeckx B, Scheers B, Vanclooster M (2004) Estimating soil electric properties from monostatic ground-penetrating radar signal inversion in the frequency domain. Water Resour Res 40(4):1035–1042CrossRef
4.
Jing L, Liu X, Liao K (2017) Soil moisture retrieval using UWB echoes via fuzzy logic and machine learning. IEEE Int Things J 99:1
5.
Yang C, Liang J (2019) Soil PH value forecasting using UWB echoes based on ensemble methods. IEEE Access 7:173249–173256CrossRef
6.
7.
Ren J, Liang J, Zhao Y (2020) Soil PH measurement based on compressive sensing and deep image prior. IEEE Trans Emerg Top Comput Intell 4(1):74–82CrossRef
8.
Natarajan N, Dhillon IS, Ravikumar P, Tewari A (2013) Learning with noisy labels. In: Advances in neural information processing systems, vol 26
9.
Liu T (2016) Classification with noisy labels by importance reweighting. IEEE Computer Society
10.
Kim Y, Yim J, Yun J, Kim J (2019) NLNL: negative learning for noisy labels
11.
Northcutt CG, Jiang L, Chuang IL (2019) Confident learning: estimating uncertainty in dataset labels
12.
Wei C, Lee J, Lu Q, Ma T (2018) On the margin theory of feedforward neural networks
13.
Han B, Yao Q, Yu X, Niu G, Xu M, Hu W, Tsang I, Sugiyama M (2018) Co-teaching: robust training of deep neural networks with extremely noisy labels. in Adv Neural Inf Process Syst
Metadaten
Titel
Soil Humidity Classification Based on Confident Learning via UWB Radar Echoes with Noisy Labels
verfasst von
Chenghao Yang
Jing Liang
Copyright-Jahr
2021
Verlag
Springer Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-15-8410-7

Electronic ISBN: 978-981-15-8411-4

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-981-15-8411-4_217

Neuer Inhalt

    Bildnachweise