1 Rozpoznawanie źródeł hałasu na podstawie analizy dźwiękuDyplomant: Jakub Tkaczuk, Opiekun pracy: prof. dr hab. inż. Bożena Kostek Konsultant pracy dr inż. Józef Kotus Rozpoznawanie źródeł hałasu na podstawie analizy dźwięku Gdańsk,

2 Plan prezentacji Cel Pracy Spis Treści Bibliografia

3 Cel pracy: Stworzenie algorytmu detekcji i identyfikacji wybranych zdarzeń dźwiękowych w obecności wysokiego poziomu zakłóceń. Zintegrowanie opracowanego algorytmu z systemem analizy hałasu.

4 Sygnał z mikrofonu x(t) Wstępna obróbka analogowa Próbkowanie Okienkowanie FFT Algorytm detekcji i identyfikacji zdarzeń dźwiękowych Konkretna decyzja np. alarm

5 Spis Treści Wprowadzenie Analiza dźwięku2.1 Postać czasowa sygnału 2.2 Postać widmowa sygnału 2.2.1 Całkowe przekształcenie Fouriera Dyskretne przekształcenie Fouriera System rozpoznawania zdarzeń dźwiękowych 3.1 Model systemu 3.2 Parametryzacja sygnału

6 Spis Treści cd. 3.3 Systemy decyzyjne 3.3.1 Sieci neuronowe3.3.2 Topologia sztucznych sieci neuronowych 3.3.3 Metoda zbiorów przybliżonych 3.4 Deskryptory MPEG7 Audio Spectrum Envelope Audio Spectrum Centroid Audio Spectrum Spread Audio Spectrum Flatness 3.5 Przegląd wybranych systemów rozpoznawania zdarzeń dźwiękowych

7 Spis Treści cd. Założenia i cele projektowe Podsumowanie Bibliografia4.1 Algorytmy detekcji i identyfikacji zdarzeń dźwiękowych. 4.2 Testy algorytmów. 4.3 Optymalizacja i implementacja algorytmów pod kątem pracy w systemie czasu rzeczywistego. 4.4 Analiza wyników końcowych. Podsumowanie Bibliografia Załączniki

8 Bibliografia Besacier L., Dufaux A., Ansorge M., Pellandini F., Automatic Sound Recognition Relying on Statistical Methods, with Application to Telesurveillance, International Workshop on Intelligent Communication Technologies and Applications, with Emphasis on Mobile Communication, Neuchâtel, , Childers D. G. Skinner D. P., Kemerait R. C. The Cepstrum: A Guide to Processing, IEEE, 65, , 1977. Cleveland T. Acoustic properties of voice timbre types and their influence on voice classification, J. Acoust. Soc. Am., 61(6), , Cowling M., Sitte R., Sound Identification and Direction Detection in Matlab for Surveillance Applications, Matlab Users, Conference, Melbourne, Australia, 2000. Dufaux A., Besacier L., Ansorge M., Pellandini F., Automatic Classification of Wideband Acoustic Signals, 137th Meeting of the Acoustical Society of America and Forum Acusticum 99, Berlin, Niemcy, Giuliani D., Matassoni M., Omologo M., Svaizer P., Experiments of speech recognition in a noisy and reverberant environment using a microphone array and HMM adaptation, Eurospeech, 347–350, 1997. Kim W., Kang S., Ko H.S., Spectral subtraction based on phonetic dependency and masking effects, SP(147), 5, , 2000. Kostek B. Perception-Based Data Processing in Acoustics. Applications to Music Information Retrieval and Psychophysiology of Hearing, Springer Verlag, Series on Cognitive Technologies, Berlin, Heidelberg, New York, 2005. Kostek B., Czyżewski A., Representing Musical Instrument Sounds for their Automatic Classification, J. Audio Eng. Soc., 49, , Kostek B., Żwan P., Dziubiński M., Musical Sound Parameters Revisited, Music Acoustics Conference, , Stockholm, 2003. Vaseghi S. V. Advanced Digital Signal Processing and Noise Reduction, InterScience, 2001. Vuskovic M., Du S., Spectral Moments for Feature Extraction, Signals, International Conference on Intelligent Competing (ICIC 2005), Hefei, China, 2005. Żwan P., Automatic sound recognition for security purposes, 124th Audio Engineering Society Convention, Amsterdam, The Netherlands, 2008. Żwan P. Expert system for objectivization of judgments of singing voices, Ph.D. Thesis, Gdansk University of Technology, Telecommunications and Informatics, Multimedia Systems Department, Gdansk, Poland, 2007.

9 KONIEC