دسته بندی اصوات محیطی با استفاده از خوشه بندی و شبکه های عصبی عمیق پیچشی

در این مقاله روشی بر مبنای ترکیب یادگیری با نظارت و یادگیری غیر نظارتی برای دسته بندی اصوات محیطی مجموعه ی دادگان ۱۰-ESC معرفی می گردد که در آن تبدیل فوریه زمان کوتاه بر مبنای فرکانس مل و لگاریتم اسپکترو گرام بر مبنای ضرایب مل صدای وروی، استخراج شده و به الگوریتم خوشه بندیK-means بداده میشود و به اعضای هر خوشه برچسبی خاص آن خوشه تعلق می گیرد، سپس داده ی ورودی به همراه برچسب های جدید خود به عنوان ورودی به یک شبکه ی عصبی عمیق پیچشی داده میشود. این روش در کنار استفاده از داده افزایی در جهت افزایش نمونه های آموزشی، توانست عملکرد بسیار خوبی از خود نشان دهد و بر روی مجموعه ی دادگان ESC-۱۰ به دقت میانگین ۹۱/۱درصد بر روی دسته های مختلف دست یابد.

کلیدواژه ها:

صدای محیط ، CNN ، ESC-۱۰ ، K-means ، خوشه بندی ، شبکه عصبی پیچشی