Комбинированная модель локализации акустических источников с применением технологии глубокого обучения

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 – p...

Полное описание

Библиографическая информация
Опубликовано в: :	Вестник Томского государственного университета. Управление, вычислительная техника и информатика № 68. С. 100-111
Главный автор:	Шаход, Джиах Михаил
Другие авторы:	Агафонов, Евгений Дмитриевич
Формат:	Статья в журнале
Язык:	Russian
Предметы:	глубокое обучение локализация акустического источника классификация акустическая интенсивность сверточные нейронные сети статьи в журналах
Online-ссылка:	http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:001147080

Похожие документы

Использование нейросетевого подхода в задаче распознавания коронавирусной инфекции по рентгеновским снимкам пациентов
по: Бугакова, Дарья Дмитриевна

Classification of audio samples by convolutional networks in audiobeehive monitoring
по: Kulyukin, Vladimir Alekseevich

TensorFlow для глубокого обучения [от линейной регрессии до обучения с максимизацией подкрепления : для разработчиков систем машинного обучения]
по: Рамсундар, Бхарат
Публикация: (2019)

Super-resolution reconstruction of noisy gas-mixture absorption spectra using deep learning

Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей

Использование анализа семантической близости слов при решении задачи определения жанровой принадлежности текстов методами глубокого обучения
по: Батраева, Инна Александровна

Глубокое обучение погружение в мир нейронных сетей
по: Николенко, Сергей Игоревич
Публикация: (2023)

Possibilities for audio analysis with neural networks
по: Solís Romeu, Edgar

Векторно-фазовые методы в акустике
по: Гордиенко, Валерий Александрович 1946-
Публикация: (2007)

Глубокое обучение с fastai и PyTorch минимум формул, минимум кода, максимум эффективности
по: Ховард, Джереми
Публикация: (2022)

Применение нейросетевых алгоритмов для детектирования человека на видеоряде в шахте
по: Петровский, Владислав Васильевич

Глубокое обучение на Python
по: Шолле, Франсуа
Публикация: (2019)

In situ classification of raw audio samples by convolutional neural networks in electronic beehive monitoring
по: Kulyukin, Vladimir Alekseevich

Грокаем глубокое обучение
по: Траск, Эндрю
Публикация: (2022)

Система контекстного поиска изображения на основе нейронных сетей
по: Морозов, Андрей Константинович

Нейроморфное оборудование
по: Шилина, Анастасия Витальевна

Использование ансамбля сверточных нейронных сетей для распознавания дорожных знаков
по: Харченко, Игорь Константинович

Обработка естественного языка в действии
по: Хобсон, Лейн
Публикация: (2020)

Комитетные методы нейронных сетей в задаче распознавания рукопечатных символов
по: Авдеев, Николай Геннадьевич

Нейросетевой анализ данных ультразвуковой дефектоскопии магистральных газопроводов с использованием программно-аппаратной системы ДВУ

Сегментация дефектов дорожного полотна на основе нейросетевого ансамбля
по: Канаева, Ирина Александровна

Нейронные сети и глубокое обучение учебный курс
по: Аггарвал, Чару
Публикация: (2020)

Выявление топического представительства бинауральных характеристик среднемозгового отдела слуха – заднего двухолмия
по: Рочева, Мария Ивановна

О возможности применения сверточных нейронных сетей к построению универсальных атак на итеративные блочные шифры
по: Перов, Артем Андреевич

Сегментация дефектов дорожного покрытия на основе формирования синтетических выборок с помощью глубоких генеративно-состязательных сверточных сетей
по: Канаева, Ирина Александровна

Глубокое обучение погружение в мир нейронных сетей
по: Николенко, Сергей Игоревич
Публикация: (2019)

Automated detection of COVID-19 coronavirus infection based on analysis of chest X-ray images by deep learning methods
по: Shchetinin, Evgenii Yu

Neural networks architecture applied to FPGA
по: Solís Romeu, Edgar

The system simulating the state of the objects and the process of their monitoring with the help of the convolutional neural network

Speech emotion recognition based on deep convolutional neural networks
по: Chen, Jin

Facial attribute editing for realistic image synthesis using segmentation-based differential activation a thesis for the degree of doctor of philosophy in computer sciences (systems analysis, control and data processing)
по: Gu, Chongyu
Публикация: (2024)

Прикладное глубокое обучение подход к пониманию глубоких нейронных сетей на основе метода кейсов
по: Микелуччи, Умберто
Публикация: (2020)

Искусственный интеллект и компьютерное зрение реальные проекты на Python, Keras и TensorFlow
по: Коул, Анирад
Публикация: (2023)

Глубокое обучение на Python
по: Шолле, Франсуа
Публикация: (2022)

Свайные фундаменты и фундаменты глубокого заложения учебное пособие для студентов специальности 291100
по: Шеин, Артур Анатольевич, et al.
Публикация: (2000)

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow концепции, инструменты и техники для создания интеллектуальных систем : пер. с англ.
по: Жерон, Орельен
Публикация: (2019)

Нановолокнистые оксигидроксиды алюминия, модифицированные ионами марганца (II) - прекурсоры марганецсодержащих катализаторов глубокого окисления метана

Искусственный интеллект с примерами на Python создание приложений искусственного интеллекта с помощью Python для взаимодействия с окружающим миром
по: Джоши, Пратик
Публикация: (2019)

Обнаружение объектов видеоряда на основе технологии машинного обучения (на примере лесных пожаров) автореферат диссертации на соискание ученой степени кандидата технических наук спец. 2.3.1
по: Лаптев, Н. В. специалист в области машиностроения инженер Томского политехнического университета 1995-
Публикация: (2023)

Обнаружение объектов видеоряда на основе технологии машинного обучения (на примере лесных пожаров) диссертация на соискание ученой степени кандидата технических наук спец. 2.3.1
по: Лаптев, Н. В. специалист в области машиностроения инженер Томского политехнического университета 1995-
Публикация: (2023)