| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Skaņas avotu tembru atpazīšana, izmantojot dziļas mašīnapmācības metodes |
| Nosaukums angļu valodā |
Sound Source Timbre Recognition, by Applying Deep Learning Methods |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Datorvadības un datortīklu katedras asistents Ē.Kļaviņš |
| Anotācija |
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 . |
| Atslēgas vārdi |
dziļas mašīnmācības, neironu tīkli, datu kopas, digitālā signāla apstrāde, lineārā algebra |
| Atslēgas vārdi angļu valodā |
deep learning, neural networks, dataset, digital signal processing, linear algebra |
| Valoda |
lv |
| Gads |
2020 |
| Darba augšupielādes datums un laiks |
12.06.2020 22:50:13 |
