Комбинированная модель локализации акустических источников с применением технологии глубокого обучения
Представлена модель глубокого обучения для локализации акустического источника, которая рассматривает локализацию как проблему классификации направлений источников. Предложен подход, основанный на интеграции признаков акустической интенсивности и признаков GCC-PHAT (Generalized cross-correlation...
| Published in: | Вестник Томского государственного университета. Управление, вычислительная техника и информатика № 68. С. 100-111 |
|---|---|
| Main Author: | |
| Other Authors: | |
| Format: | Article |
| Language: | Russian |
| Subjects: | |
| Online Access: | http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:001147080 Перейти в каталог НБ ТГУ |
| LEADER | 03689nab a2200361 c 4500 | ||
|---|---|---|---|
| 001 | koha001147080 | ||
| 005 | 20241105173445.0 | ||
| 007 | cr | | ||
| 008 | 241101|2024 ru s c rus d | ||
| 024 | 7 | |a 10.17223/19988605/68/11 |2 doi | |
| 035 | |a koha001147080 | ||
| 040 | |a RU-ToGU |b rus |c RU-ToGU | ||
| 100 | 1 | |a Шаход, Джиах Михаил |9 976153 | |
| 245 | 1 | 0 | |a Комбинированная модель локализации акустических источников с применением технологии глубокого обучения |c Д. М. Шаход, Е. Д. Агафонов |
| 246 | 1 | 1 | |a A combined model for localizing acoustic sources using deep learning technology |
| 336 | |a Текст | ||
| 337 | |a электронный | ||
| 504 | |a Библиогр.: 23 назв. | ||
| 520 | 3 | |a Представлена модель глубокого обучения для локализации акустического источника, которая рассматривает локализацию как проблему классификации направлений источников. Предложен подход, основанный на интеграции признаков акустической интенсивности и признаков GCC-PHAT (Generalized cross-correlation - phase transform) в качестве входных данных для сверточных нейронных сетей. С учетом условий моделирования были созданы наборы данных с целью обучения, валидации и тестирования модели с пространственным разрешением 10° и 2°. Результаты моделирования продемонстрировали эффективность предложенной модели при локализации источника с высокой точностью в замкнутой среде и при наличии реверберации. Предложенная модель с разрешением 10° превзошла модель, принимавшую только признаки акустической интенсивности в качестве входных данных, достигнув улучшения точности на 6,57% и точности прогнозирования на 2,86%, в то время как модель с разрешением 2° достигла улучшения точности на 15,57% и точности прогнозирования на 2,04%. | |
| 653 | |a глубокое обучение | ||
| 653 | |a локализация акустического источника | ||
| 653 | |a классификация | ||
| 653 | |a акустическая интенсивность | ||
| 653 | |a сверточные нейронные сети | ||
| 655 | 4 | |a статьи в журналах |9 976154 | |
| 700 | 1 | |a Агафонов, Евгений Дмитриевич |9 568372 | |
| 773 | 0 | |t Вестник Томского государственного университета. Управление, вычислительная техника и информатика |d 2024 |g № 68. С. 100-111 |x 1998-8605 |w 0210-40860 | |
| 852 | 4 | |a RU-ToGU | |
| 856 | 4 | |u http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:001147080 | |
| 856 | |y Перейти в каталог НБ ТГУ |u https://koha.lib.tsu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=1147080 | ||
| 908 | |a статья | ||
| 039 | |z 56 |b 100 | ||
| 999 | |c 1147080 |d 1147080 | ||