Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir. Ses sınıflandırma yöntemi kullanılarak literatürde birçok biyometrik uygulama / yöntem sunulmuştur. Bu çalışma sesleri kullanarak bir gemi tanımlama yöntemi sunmaktadır. Sunulan bu yöntem çok basit ve etkilidir. Bu yöntemin sadece iki temel fazı vardır ve bu fazlar, bir boyutlu ikili örüntü (1D-BP) ile özellik çıkarma ve geleneksel sınıflandırıcı fazlarla sınıflandırmadır. 1D-BP her sesten 256 özellik çıkarır ve bu sesler sınıflandırıcılara iletilir. Bu ultra hafif ses tanımlama yöntemini test etmek için YouTube’dan bir gemi sesleri veri kümesi toplandı. Sonuçlara göre, bu yöntem %97 sınıflandırma doğruluğu elde etmiştir. Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.
Sound classification is one of the most important areas of research for mechanics and applied computersciences. Using the sound classification method, many biometric applications/methods have been presented inthe literature. This study presents a ship identification method using sounds. The method presented here isvery simple and effective. It has only two fundamental phases and these are feature extraction by onedimensional binary pattern (1D-BP) and classification with conventional classifiers phases. 1D-BP extracts256 features from each sound and these sounds are forwarded to classifiers. To test this ultra-lightweightsound identification method, a ship sounds dataset was collected from YouTube. According to our results, thismethod achieved a 97% classification accuracy. This result clearly demonstrates the merits of the 1D-BP basedon ship sound classification method and the sound-based ship identification method which we present here. "> [PDF] Ses Kullanarak Otomatik Yerel İkili Model Yöntemi ile Gemi Tanımlama | [PDF] An Automated Local Binary Pattern Ship Identification Method by Using Sound Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir. Ses sınıflandırma yöntemi kullanılarak literatürde birçok biyometrik uygulama / yöntem sunulmuştur. Bu çalışma sesleri kullanarak bir gemi tanımlama yöntemi sunmaktadır. Sunulan bu yöntem çok basit ve etkilidir. Bu yöntemin sadece iki temel fazı vardır ve bu fazlar, bir boyutlu ikili örüntü (1D-BP) ile özellik çıkarma ve geleneksel sınıflandırıcı fazlarla sınıflandırmadır. 1D-BP her sesten 256 özellik çıkarır ve bu sesler sınıflandırıcılara iletilir. Bu ultra hafif ses tanımlama yöntemini test etmek için YouTube’dan bir gemi sesleri veri kümesi toplandı. Sonuçlara göre, bu yöntem %97 sınıflandırma doğruluğu elde etmiştir. Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir. "> Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir. Ses sınıflandırma yöntemi kullanılarak literatürde birçok biyometrik uygulama / yöntem sunulmuştur. Bu çalışma sesleri kullanarak bir gemi tanımlama yöntemi sunmaktadır. Sunulan bu yöntem çok basit ve etkilidir. Bu yöntemin sadece iki temel fazı vardır ve bu fazlar, bir boyutlu ikili örüntü (1D-BP) ile özellik çıkarma ve geleneksel sınıflandırıcı fazlarla sınıflandırmadır. 1D-BP her sesten 256 özellik çıkarır ve bu sesler sınıflandırıcılara iletilir. Bu ultra hafif ses tanımlama yöntemini test etmek için YouTube’dan bir gemi sesleri veri kümesi toplandı. Sonuçlara göre, bu yöntem %97 sınıflandırma doğruluğu elde etmiştir. Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.
Sound classification is one of the most important areas of research for mechanics and applied computersciences. Using the sound classification method, many biometric applications/methods have been presented inthe literature. This study presents a ship identification method using sounds. The method presented here isvery simple and effective. It has only two fundamental phases and these are feature extraction by onedimensional binary pattern (1D-BP) and classification with conventional classifiers phases. 1D-BP extracts256 features from each sound and these sounds are forwarded to classifiers. To test this ultra-lightweightsound identification method, a ship sounds dataset was collected from YouTube. According to our results, thismethod achieved a 97% classification accuracy. This result clearly demonstrates the merits of the 1D-BP basedon ship sound classification method and the sound-based ship identification method which we present here. ">
Emrah AYDEMİR, Türker TUNCER

11817

Ses Kullanarak Otomatik Yerel İkili Model Yöntemi ile Gemi Tanımlama

Ses sınıflaması, makine öğrenimi ve uygulamalı bilgisayar bilimleri için en önemli araştırma konularından biridir. Ses sınıflandırma yöntemi kullanılarak literatürde birçok biyometrik uygulama / yöntem sunulmuştur. Bu çalışma sesleri kullanarak bir gemi tanımlama yöntemi sunmaktadır. Sunulan bu yöntem çok basit ve etkilidir. Bu yöntemin sadece iki temel fazı vardır ve bu fazlar, bir boyutlu ikili örüntü (1D-BP) ile özellik çıkarma ve geleneksel sınıflandırıcı fazlarla sınıflandırmadır. 1D-BP her sesten 256 özellik çıkarır ve bu sesler sınıflandırıcılara iletilir. Bu ultra hafif ses tanımlama yöntemini test etmek için YouTube’dan bir gemi sesleri veri kümesi toplandı. Sonuçlara göre, bu yöntem %97 sınıflandırma doğruluğu elde etmiştir. Bu sonuçlar, gemi ses sınıflandırması ve ses tabanlı gemi tanımlaması üzerine sunulan 1D-BP tabanlı yöntemin değerini açıkça göstermiştir.

An Automated Local Binary Pattern Ship Identification Method by Using Sound

Sound classification is one of the most important areas of research for mechanics and applied computersciences. Using the sound classification method, many biometric applications/methods have been presented inthe literature. This study presents a ship identification method using sounds. The method presented here isvery simple and effective. It has only two fundamental phases and these are feature extraction by onedimensional binary pattern (1D-BP) and classification with conventional classifiers phases. 1D-BP extracts256 features from each sound and these sounds are forwarded to classifiers. To test this ultra-lightweightsound identification method, a ship sounds dataset was collected from YouTube. According to our results, thismethod achieved a 97% classification accuracy. This result clearly demonstrates the merits of the 1D-BP basedon ship sound classification method and the sound-based ship identification method which we present here.
PDF

___

  • Aberni, Y., Boubchir, L., & Daachi, B. (2020). Palm Vein Recognition based on Competitive Coding Scheme using Multi-scale Local Binary Pattern with Ant Colony Optimization. Pattern Recognition Letters, 136, 101-110.
  • Badem, H. (2019). Parkinson Hastaliğinin Ses Sinyalleri Üzerinden Makine Öğrenmesi Teknikleri ile Tanimlanmasi. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 630-637.
  • Çalik, N., Ata, L. D., Serbes, A., Bolat, B., & Yavuz, E. (2015, May). Performance analysis of feature extraction methods in indoor sound classification. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 2025-2028). IEEE.
  • Chen, C. H., Huang, W. T., Tan, T. H., Chang, C. C., & Chang, Y. J. (2015). Using k-nearest neighbor classification to diagnose abnormal lung sounds. Sensors, 15(6), 13132-13158.
  • Chen, J., Li, H., Tang, S., & Sun, J. (2002, June). A SOM-based probabilistic neural network for classification of ship noises. In IEEE 2002 International Conference on Communications, Circuits and Systems and West Sino Expositions (Vol. 2, pp. 1209-1212). IEEE.
  • Farcas, A., Thompson, P. M., & Merchant, N. D. (2016). Underwater noise modelling for environmental impact assessment. Environmental Impact Assessment Review, 57, 114-122.
  • George, J., Cyril, A., Koshy, B. I., & Mary, L. (2013). Exploring sound signature for vehicle detection and classification using ANN. International Journal on Soft Computing, 4(2), 29.
  • Gupta, C. N., Palaniappan, R., Swaminathan, S., & Krishnan, S. M. (2007). Neural network classification of homomorphic segmented heart sounds. Applied soft computing, 7(1), 286-297.
  • Hassaballah, M., Alshazly, H. A., & Ali, A. A. (2019). Ear recognition using local binary patterns: A comparative experimental study. Expert Systems with Applications, 118, 182-200.
  • Khan, S., Divakaran, A., & Sawhney, H. S. (2009, May). Weapon identification using hierarchical classification of acoustic signatures. In Sensors, and Command, Control, Communications, and Intelligence (C3I) Technologies for Homeland Security and Homeland Defense VIII (Vol. 7305, p. 730510). International Society for Optics and Photonics.
  • Král, P., Vrba, A., & Lenc, L. (2019). Enhanced local binary patterns for automatic face recognition. In International conference on artificial intelligence and soft computing (pp. 27-36). Springer, Cham.
  • Liang, H., & Nartimo, I. (1998, October). A feature extraction algorithm based on wavelet packet decomposition for heart sound signals. In Proceedings of the IEEE-SP International Symposium on Time-Frequency and Time-Scale Analysis (Cat. No. 98TH8380) (pp. 93-96). IEEE.
  • Mesaros, A., Heittola, T., & Virtanen, T. (2016, August). TUT database for acoustic scene classification and sound event detection. In 2016 24th European Signal Processing Conference (EUSIPCO) (pp. 1128-1132). IEEE.
  • Romero, J., Luque, A., & Carrasco, A. (2017, February). Animal Sound Classification using Sequential Classifiers. In BIOSIGNALS (pp. 242-247).
  • Wang, C., Li, D., Li, Z., Wang, D., Dey, N., Biswas, A., ... & Shi, F. (2019). An efficient local binary pattern based plantar pressure optical sensor image classification using convolutional neural networks. Optik, 185, 543-557.
  • Wang, J. C., Wang, J. F., He, K. W., & Hsu, C. S. (2006, July). Environmental sound classification using hybrid SVM/KNN classifier and MPEG-7 audio low-level descriptor. In The 2006 IEEE international joint conference on neural network proceedings (pp. 1731-1735). IEEE.
  • Williams, R., Wright, A. J., Ashe, E., Blight, L. K., Bruintjes, R., Canessa, R., ... & Hammond, P. S. (2015). Impacts of anthropogenic noise on marine life: Publication patterns, new discoveries, and future directions in research and management. Ocean & Coastal Management, 115, 17-24.
  • Xia, X., Togneri, R., Sohel, F., & Huang, D. (2017, July). Random forest classification based acoustic event detection. In 2017 IEEE International Conference on Multimedia and Expo (ICME) (pp. 163-168). IEEE.
  • Xi-ying, H., Jin-fang, C., Guang-jin, H., & Nan, L. (2010, May). Application of BP neural network and higher order spectrum for ship-radiated noise classification. In 2010 2nd International Conference on Future Computer and Communication (Vol. 1, pp. V1-712). IEEE.
  • Yang, S., Li, Z., & Wang, X. (2002). Ship recognition via its radiated sound: The fractal based approaches. The Journal of the Acoustical Society of America, 112(1), 172-177.
Acta Infologica-Cover
  • Yayın Aralığı: Yılda 2 Sayı
  • Başlangıç: 2017
  • Yayıncı: İstanbul Üniversitesi
Arşiv
Sayıdaki Diğer Makaleler

Ses Kullanarak Otomatik Yerel İkili Model Yöntemi ile Gemi Tanımlama

Emrah AYDEMİR, Türker TUNCER

Küçük Otellerde Kurumsal Strateji Belirleme İçin Bir Karar Destek Sistemi: Pilot Çalışma

Halil EPİK, Yılmaz GÖKŞEN

Mobil Ödeme Sistemleri için Şifreleme Algoritmasının ve Modelinin Belirlenmesi

Öznur ŞENGEL, Muhammed Ali AYDIN, Ahmet SERTBAŞ

Çekişmeli Üretici Sinir Ağları ile Bebek Yüz Üretimi: Bir Vaka Çalışması

Zeliha DOĞAN, Gizem ORTAÇ, Rüya ŞAMLI, Zeynep ORMAN

Ortak Seçmeli Derslerdeki Tercihlerin İstatistiksel Analizi ve Tespiti

Mehmet Sait VURAL, Sibel KAPLAN

Academic Researches Index - FooterLogo