机构名称：
¥ 1.0
在全球范围内和不同频率下，发生了许多天然灾难，包括地震，火灾事故，野火，洪水，海啸和火山活动。这些事件导致建筑物和其他人造基础设施崩溃。在紧急情况下寻找和定位受害者是最艰巨的任务之一，尤其是当受害者被埋葬在碎片下时。必须在现代发展救灾技术。即使已经以生命体征，图像和信号处理以及基于机器学习的救灾技术进行了进步，但必须做更多的工作，尤其是在像非洲这样的地区经常发生建筑物倒塌的地区。这项工作使用非视线（NLOS）人类检测信号数据集来改善建筑物崩溃后的分类和本地化。循环。这项工作使用非视线（NLOS）人类检测信号数据集来改善建筑物崩溃后的分类和本地化。已经检查了23,552个实例后，使用递归特征消除（RFE）实现了尺寸的降低。减少的数据集的支持向量机（SVM）分类产生的精度为82.76％。使用尖端方法的比较评估显示了所提出的方法的成功程度；这些方法改善了搜索和救援（SAR）操作的理论基础和实际应用。关于结构崩溃后受害者预测，认同和本地化的实际方法，这些发现对搜救（SAR）团队具有重要意义。
开发用于检测被困的递归机器学习模型
主要关键词
相关文件推荐
