中大機構典藏-NCU Institutional Repository-提供博碩士論文、考古題、期刊論文、研究計畫等下載:Item 987654321/65801
English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 80990/80990 (100%)
造訪人次 : 41812907      線上人數 : 1313
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/65801


    題名: 協同表示之聯合核化字典學習及其於聲音事件辨識;Joint Kernel Dictionary Learning via Collaborative Representation and Its Application to Sound Event Classification
    作者: 廖唯鈞;Liao,Wei-Chung
    貢獻者: 資訊工程學系
    關鍵詞: 字典學習;稀疏表示;dictionary learning;sparse representation
    日期: 2014-08-26
    上傳時間: 2014-10-15 17:10:39 (UTC+8)
    出版者: 國立中央大學
    摘要: 聲音事件辨識的應用在當今人類社會已逐漸成為一個重要的課題,舉凡
    安全監測系統、環境聲音辨識、家庭看護系統等等皆與人們的日常生活息
    息相關,為了達到精準辨識的目的,從傳統的辨識器如支持向量機(SVM)、
    高斯混合模型(GMM)、到近年來火紅的稀疏表示分類器(SRC),都能獲得不
    錯的結果。
    基於稀疏表示分類器,本論文針對其所使用的稀疏字典提出改良的訓練
    方法。在訓練的目標函式中加入辨識誤差項並在稀疏限制項改採ℓ2-norm 而
    非ℓ1-norm,訓練字典的過程同時訓練一個簡單的線性分類器達到增強辨識
    能力且節省時間的效果。除此之外,我們使用核化方法將訓練資料投射至
    高維特徵空間以增強字典的辨識及重建能力及提升系統彈性。線上學習
    (online learning)的應用讓演算法在訓練資料依時間而變動時能有較高的效
    率。
    基於一個17 類別的聲音資料庫,實驗結果上以80.56%的辨識率優於其
    他演算法,證明本論文所提出之改進方法確實對字典的辨識能力有所提升。
    另外在執行測試的時間上也遠比SRC 和CRC 來的有效率。;Environment sound classification is become more and more popular in
    humans daily life, such as security surveillance, environment detection, human
    health care. To accurately classify the sound from different event, we can use
    the traditional SVM, GMM and the popular SRC to obtain well classification
    result.
    In this paper, we present a joint kernel dictionary learning (JKDL) method
    base on sparse representation. Using ℓ2-norm instead of ℓ1-norm can reserve the
    performance but reduce the computation time massively. Adding the
    classification error term into the objective function to train a simple linear
    classifier enhanced the relationship between the classifier and dictionary. Kernel
    method plays an important role which efficiently strengthen the reconstructive
    and discriminative ability. The dictionary update step is iteratively performed by
    taking partial derivatives on objective function in feature space. Online
    dictionary learning approach handle dynamic training data more efficient than
    batch approach.
    Experiments on a 17 classes sound database indicates that the proposed
    method can achieve an high accuracy rate about 80.56%. Also, the average
    executing time of a testing data is notably faster than SRC and CRC.
    顯示於類別:[資訊工程研究所] 博碩士論文

    文件中的檔案:

    檔案 描述 大小格式瀏覽次數
    index.html0KbHTML474檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 隱私權政策聲明