| Form of studies |
Bachelor |
| Title of the study programm |
Intelligent robotic systems |
| Title in original language |
Skaņas avotu tembru atpazīšana, izmantojot dziļas mašīnapmācības metodes |
| Title in English |
Sound Source Timbre Recognition, by Applying Deep Learning Methods |
| Department |
12300 Institute of Applied Computer Systems |
| Scientific advisor |
Ēvalds Urtāns |
| Reviewer |
Datorvadības un datortīklu katedras asistents Ē.Kļaviņš |
| Abstract |
Dotajā darbā ir publicēti pētījuma rezultāti, kas salīdzina īso audio ierakstu klasificēšanas metodes, izmantojot dziļās mašīnapmācības algoritmus. Šādu algoritmu pielietošana attēlu klasifikācijas/atpazīšanas uzdevumiem pēdējos desmit gados ir kļuvusi par izplatītu praksi. Arī skaņas ierakstu datu kopas ir iespējams klasificēt līdzīgi attēlam, izmantojot digitālā signāla apstrādes metodes. Taču skaņas ierakstu klasificēšanā pastāv aspekti, kas padara šo specifisko uzdevumu par izaicinošu un netriviālu. Tajā paša laikā aug publiski pieejamo akadēmisko datu kopu piedāvājums - gan audio ierakstu, gan saistīto pētījumu daudzums.
Šis darbs koncentrējas uz šiem īpašajiem aspektiem un apskata vairākus dziļās mašīnapmācības algoritmus (mākslīgo neironu tīklu uzbūves arhitektūras), ņemot vērā iepriekš minētos aspektus, ar mērķi paaugstināt klasificēšanas modeļu darbības precizitāti. Pētījuma gaitā tiek uzbūvētas bieži izmantots neironu tīklu arhitektūru modifikācijas, pielietotas uz datu kopas FSD (Fonseca et al. 2018), kas bija izmantota starptautiskās sacensībās resursā kaggle.com 2018. gadā . |
| Keywords |
dziļas mašīnmācības, neironu tīkli, datu kopas, digitālā signāla apstrāde, lineārā algebra |
| Keywords in English |
deep learning, neural networks, dataset, digital signal processing, linear algebra |
| Language |
lv |
| Year |
2020 |
| Date and time of uploading |
12.06.2020 22:50:13 |
