- Информация о статье
- Об авторах
- Список литературы
Сравнение методов машинного обучения для классификации шумов городской среды
Авторы
Выпуск
Ключевые слова
городская среда, классификация шумов, машинное обучение, спектральный анализ, шумы
Аннотация
Современная городская среда постоянно раз- вивается и изменяется . С ростом городов увеличивается и уро- вень шума , который может оказывать негативное влияние на здоровье жителей . Важность определения и контроля шума го- родской среды становится все более актуальной задачей для го- родских властей , а также для ученых и инженеров , занимаю - щихся вопросами экологии и охраны окружающей среды . Приведен сравнительный анализ методов машинного обучения , включающих и нейронную сеть для автоматизации решения за- дачи классификации шумов , присутствующих в городе . Даны описания спектральных признаков шумов , на основе которых реализованные модели принимают решения о классе шума
Как цитировать статью
Кузин Д. А., Стаценко Л. Г., Смирнова М. М., Брылина С. В. Сравнение методов машинного обучения для классификации шумов городской среды // Вопросы современной науки и практики. — 2024. — № 2(92). — С. 037-043.
Скачать PDF
DOI:
https://doi.org/10.17277/voprosy.2024.02.pp.037-043
Страницы:
037-043
Просмотров:
7
- Городничев, С. С. Мониторинг состояния акустической среды городской территории / С. С. Городничев, К. В. Левшина, В. В. Васильева // Современные автомобильные материалы и технологии (САМИТ – 2019) : сб. ст. XI Междунар. науч.-техн. конф., Курск, 25 окт. 2019 г. – Курск, 2019. – С. 58 – 62.
- Интеллектуальный анализ звукового ландшафта городской территории / Н. М. Рашевский, Д. С. Парыгин, К. Р. Назаров, И. С. Синицын, В. А. Феклистов // Социология города. – 2023. – № 1. – С. 125 – 139. doi: 10.35211/19943520_ 2023_1_125
- Дятлов, К. А. Использование нейросетей для оценки качества городского шума / К. А. Дятлов, И. С. Синицын // XXVII Регион. конф. молодых ученых и исследователей Волгоградской области : сб. материалов конф., Волгоград, 02 – 15 ноября 2022 г. – Волгоград, 2022. – С. 448 – 449.
- Piczak, K. J. ESC: Dataset for Environmental Sound Classification / K. J. Piczak // Proceedings of the 23rd ACM International Conference on Multimedia. – 2015. – Р. 1015 – 1018. doi: 10.1145/2733373.2806390
- Salamon, J. A Dataset and Taxonomy for Urban Sound Research / J. Salamon, C. Jacoby, J. P. Bello // Proceedings of the 22nd ACM International Conference on Multimedia. – Orlando, USA, 2014. – P. 1041 – 1044. doi: 10.1145/2647868.2655045
- Применение методов машинного обучения для классификации акустиче- ских сигналов по спектральным характеристикам / Д. А. Кузин, Л. Г. Стаценко, П. Н. Анисимов, М. М. Смирнова // Известия СПбГЭТУ ЛЭТИ. – 2021. – № 3. – С. 48 – 54.
- Passive Acoustic Monitoring as a Tool to Investigate the Spatial Distribution of Invasive Alien Species / J. W. Ribeiro Jr, K. Harmon, G. A. Leite [et al.] // Remote Sensing. – 2022. – Vol. 14, No. 14. – P. 4565. doi: 10.3390/rs14184565
- Kumar, L. K. COVID-19 Disease Diagnosis with Light-Weight CNN Using Modified MFCC and Enhanced GFCC from Human Respiratory Sounds / L. K. Kumar, P. J. A. Alphonse // European Physical Journal Special Topics. – 2022. – Vol. 231, No. 18-20. – P. 3329 – 3346. doi: 10.1140/epjs/s11734-022-00432-w
- Чистяков, С. П. Случайные леса: обзор / С. П. Чистяков // Труды Карель- ского научного центра Российской академии наук. – 2013. – № 1. – С. 117 – 136.
- Демидова, Л. А. Классификация данных на основе SVM-алгоритма и ал- горитма k-ближайших соседей / Л. А. Демидова, Ю. С. Соколова // Вестник Рязанско- го государственного радиотехнического университета. – 2017. – № 62. – С. 119 – 132. doi: 10.21667/1995-4565-2017-62-4-119-132
- Марченко, Б. И. Нейронные сети в задачах аналитического обеспечения систем социально-гигиенического и экологического мониторинга / Б. И. Марчен- ко, Н. К. Плуготаренко, О. А. Семина //Здоровье населения и среда обитания. –
- – №. 11 – С. 23 – 30.