Dergiler / Firat University Journal of Experimental and Computational Engineering / 2023 / Cilt: 2 Sayı: 2
SKLBP14: Kare çekirdekli yerel ikili modele dayalı yeni bir dokusal çevresel ses sınıflandırma modeli
- Sayfa
- 46–54
- DOI
- —
Özet
Günümüzde ileri-ileri (FF) algoritması, makine öğrenimi toplumunda çok popülerdir ve kare tabanlı bir aktivasyon işlevi kullanır. Bu araştırmada, FF algoritmasından ilham aldık ve yerel ikili örüntü için yeni bir çekirdek sunduk ve bu, kare çekirdekli yerel ikili örüntü (SKLBP) olarak adlandırıldı. Önerilen tek boyutlu SKLBP'yi konuşlandırarak, yeni bir özellik mühendisliği modeli sunulmuştur. Önerilen SKLBP tabanlı modelin sınıflandırma yeteneğini ölçmek için, yeni bir dokusal çevresel ses sınıflandırması (ESC) veri seti topladık. Toplanan veri seti dengeli bir veri seti olup 15 sınıf içermektedir. Her sınıfta 100 ses vardır. Önerdiğimiz model derin öğrenme yapısını taklit etmiştir. Bu nedenle, ayrık dalgacık dönüşümü kullanarak çok düzeyli öznitelik çıkarma metodolojisini kullanır. Oluşturulan özellikler, yinelemeli özellik seçicinin girdisi olarak kabul edilmiştir. Seçilen öznitelik vektörü k en yakın komşu sınıflandırıcının girdisi olarak kullanılmıştır. Önerilen SKLBP tabanlı sinyal sınıflandırma modeli, %90'ın üzerinde doğruluğa ulaştı. Bu bağlamda, yeni dokusal ESC veri setini toplayarak ve SKLBP tabanlı ESC modelini önererek ESC metodolojisine katkıda bulunduk.
Abstract
Nowadays, the forward-forward (FF) algorithm is very popular in the machine learning society, and it uses a square-based activation function. In this research, we inspired the FF algorithm and presented a new kernel for a local binary pattern named square-kernelled local binary pattern (SKLBP). By deploying the proposed one-dimensional SKLBP, a new feature engineering model has been presented. To measure the classification ability of the proposed SKLBP-based model, we have collected a new textural environmental sound classification (ESC) dataset. The collected dataset is a balanced dataset, and it contains 15 classes. There are 100 sounds in each class. Our proposed model has mimicked the deep learning structure. Therefore, it uses multileveled feature extraction methodology by using discrete wavelet transform. The features generated have been considered as input for the iterative feature selector. The chosen feature vector has been utilized as input of the k nearest neighbor classifier. The proposed SKLBP-based signal classification model reached 94% classification accuracy. In this aspect, we contributed to the ESC methodology by collecting the new textural ESC dataset and proposing the SKLBP-based ESC model.