МЕТОД УЛУЧШЕНИЯ КАЧЕСТВА РЕЧИ НА ОСНОВЕ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ С ПРЕОБРАЗОВАНИЕМ СТРУКТУРИРОВАННОГО ПРОСТРАНСТВА СОСТОЯНИЯ (2023)
В данной работе предложен новый метод улучшения качества зашумленных речевых сигналов. В его основе лежит двухэтапная схема, с первым этапом широкополосной обработки аудиосигнала и вторым этапом обработки отдельных частотных полос. Преобразование сигнала осуществлялось над оконным Фурье-разложением обрабатываемого сигнала. На каждом этапе задействованы слои, моделирующие структурированное пространство состояний (S4), хорошо зарекомендовавшие себя при обработке и предсказании длинных временных рядов. За счет их применения уменьшилось число обучаемых параметров нейронной сети без потери качества работы. Длительность процесса обучения в расчете на одну эпоху уменьшилась по сравнению с рекуррентными сетями из-за применения сверточной формы S4-преобразований. Проведена апробация предложенного метода. Нейронная сеть с S4-преобразованиями реализована на языке Python с применением библиотеки глубокого обучения PyTorch. Обучение сети проведено на наборе данных DNS Challenge 2020. Для тестирования работы на основе того же набора данных сгенерирован набор тестовых примеров, включающих в себя различные классы шумовых добавок. Продемонстрировано превосходство предложенного метода в целом по сравнению с аналогичными решениями, основанными на применении слоев рекуррентных преобразований. Проведен анализ того, какие классы шумов более эффективно очищаются из обрабатываемого сигнала.
Применение искусственного интеллекта и мобильных технологий для эффективного мониторинга урожайности зерновых культур (2024)
Исследована проблема оценки урожайности зерновых культур с использованием мобильных технологий. Проанализированы рост потребления зерна и повышенный интерес к методам оценки урожайности зерновых культур. Проведен обзор методов машинного обучения для учета урожайности, приведены примеры использования глубокого обучения и статистических моделей. Описана структура и функциональность мобильного приложения, предназначенного для сбора данных и автоматизации подсчета зерна. Подчеркнута важность мобильных технологий для оптимизации ресурсов и улучшения производственных процессов в сельском хозяйстве.
Издание:
МОЛОДОЙ ИССЛЕДОВАТЕЛЬ ДОНА
Выпуск:
Т. 9. № 3 (48) (2024)
Оптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации кита (2024)
Целью исследования является прогнозирование ошибки программного обеспечения с использованием долговременной кратковременной памяти (Long Short-Term Memory, LSTM).
Предлагаемая система представляет собой LSTM, обучаемую с использованием алгоритма оптимизации китов (Whale Optimization Algorithm).
Система обеспечивает экономию времени обучения. Одновременно повышается эффективность модели глубокого обучения (DL) и скорость обнаружения.
Для разработки расширенной модели LSTM применен программный пакет MATLAB 2022a. Использованы 19 баз данных дефектов программного обеспечения с открытым исходным
кодом.
Ошибочные наборы данных получены из коллекции tera-PROMISE. Для оценки эффективности модели по сравнению с другими традиционными подходами объем исследования ограничен пятью наборами эталонных данных с наиболее высоким рейтингом (DO1, DO2, DO3, DO4 и DO5). Результаты экспериментов показали,
что качество данных обучения и тестирования оказывает существенное влияние на точность прогнозирования ошибок.
При анализе на наборах данных от DO1 до DO5 видно, что точность прогнозирования существенно зависит от результатов обучения и тестирования. Три алгоритма DL, протестированные на наборе данных DO2, показали самую высокую точность (0,942) в сравнении с двумя классическими алгоритмами с использованием сверточной нейронной сети Li’s и Nevendra’s (0,922).