Beta 1


Title Lydmiljøklassifikation
Author Fazzi, Stefano
Supervisor Larsen, Jan (Cognitive Systems, Department of Informatics and Mathematical Modeling, Technical University of Denmark, DTU, DK-2800 Kgs. Lyngby, Denmark)
Hansen, Lars Kai (Cognitive Systems, Department of Informatics and Mathematical Modeling, Technical University of Denmark, DTU, DK-2800 Kgs. Lyngby, Denmark)
Institution Technical University of Denmark, DTU, DK-2800 Kgs. Lyngby, Denmark
Thesis level Master's thesis
Year 2010
Abstract Enkelte lyde som er lette at identificere for den menneskelige hørelse har ofte en kompleks struktur. Tidligere arbejde, udført af Andreas Brinh Nielsens (ABN), viste at det var muligt at skelne imellem lydsekvenser af støj, musik og tale i en grad så at i 98% af tilfældene var man i stand til at genkende dem korrekt. Desuden kan man adskille tale 100% fra de andre klasser. Grebet at dette usædvanligt gode resultat, forsøges at skabe et sæt af Matlab sript filer som kan udføre den samme selektive klassificering og undersøge muligheden at yderligere forfine og forbedre metoden. Al lydanalyse er baseret på tonedetektionen. Derfor ses i begyndelsen på opbygning af tonedetektionsalgoritmen og test af dens ydelse. Senere arbejdes på klassificeringen ved hjælp af k nearest neighbor (KNN) og kunstige neurale netværk (ANN). Vores algoritmes ydelse på 50% af fejldetektions andel ligger desværre langt fra ABNs 20%. I en optimeret udgave, kan vores algoritme nå ned til 30%. På trods af de negative resultater under testfasen, kan begge udgaver af algoritmen opnå en korrekt klassificeringsandel på godt 85%. Det er stadigvæk lavere end de ønskede 98% men det er overraskende at klassificeringen ikke lider større skader. Det har ikke altid været muligt at fremstille programmer og proedurer tro mod ABNs arbejde. Der er en grundlæggende forskel i den måde referenceedatabase anvendes. Men dette er ikke tilstrækkeligt for at forklare den markant lavere ydelse som vi får i testen af algoritmen. Ved klassificeringen er de grund- læggende data nøjagtigt de samme, imens vi har valgt KNN og ANN frem for en bayesiansk metode. Dette er igen ikke nok til at retfærdiggøre at vores klassiferingsandel er lavere, især fordi vi anvender KNN, som teoretisk set skulle have været mere efektiv.
Imprint Technical University of Denmark (DTU) : Kgs. Lyngby, Denmark
Series IMM-M.Sc.-2010-76
Fulltext
Original PDF ep10_76.pdf (1.18 MB)
Admin Creation date: 2010-09-20    Update date: 2010-09-20    Source: dtu    ID: 267012    Original MXD