KaydedilenlerDerginizi ekleyin

Dergiler / Teknik Bilimler Dergisi / 2026 / Cilt: 9 Sayı: 2

Kanonik Korelasyon Analiz Tabanlı Ses Ayrıştırma Algoritmalarının İşlem Süresi Azaltımı

Hüsamettin Çelik(ERZİNCAN ÜNİVERSİTESİ)
Fatih Yavuz Ilgın(ERZİNCAN ÜNİVERSİTESİ)
Yusuf Sevim(KARADENİZ TEKNİK ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)
Sayfa
55–59
Yayın Tarihi
2019-07-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bunlara ek olarak farklı veri uzunlukları kullanılarak, veri uzunluğunun algoritma performansları üzerindeki etkisi incelenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Gürültülü ortamlarda ses işaretinin gürültüsüz olarak elde edilmesi oldukça önemlidir.
📊
Temel Bulgular & Veri:Kör kaynak ayrıştırma yöntemlerinin başarımı, işlem süresi ve doğruluğu ile belirlenmektedir Bu çalışmada doğrusal biçimde karışmış olan farklı ses işaretleri, Kanonik Korelasyon Analiz tabanlı algoritmaları kullanılarak ayrıştırılmıştır.
💡
Sonuç & Katkı:Bunlara ek olarak farklı veri uzunlukları kullanılarak, veri uzunluğunun algoritma performansları üzerindeki etkisi incelenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bağımsız bileşen analizi · Kanonik korelasyon analizi · Çekidek kanonik korelasyon analizi

Özet

Gürültülü ortamlarda ses işaretinin gürültüsüz olarak elde edilmesi oldukça önemlidir. Karışım ortamı ve gürültü kaynakları bilinemediğinden dolayı ayrıştırma işlemi oldukça zordur. En az iki sinyalin karışımını içeren bir veri kümesinden bu karışımı oluşturan her bir kaynağın tahmin edilmesi kör kaynak ayrıştırma olarak tanımlanmaktadır. Kör kaynak ayrıştırma yöntemlerinin başarımı, işlem süresi ve doğruluğu ile belirlenmektedir Bu çalışmada doğrusal biçimde karışmış olan farklı ses işaretleri, Kanonik Korelasyon Analiz tabanlı algoritmaları kullanılarak ayrıştırılmıştır. Algoritmaların başarım oranlarıyla birlikte, işlemsel yükleri ile orantılı olan işlem süreleri karşılaştırılmış ve ayrıca algoritmaların işlem sürelerini düşürmek için Ayrık Dalgacık Dönüşümü yönteminden faydalanılmıştır. Bunlara ek olarak farklı veri uzunlukları kullanılarak, veri uzunluğunun algoritma performansları üzerindeki etkisi incelenmiştir.

🔖

Bu Makaleye Atıf Yap

Çelik, H., Ilgın, F. Y., Sevim, Y. (2019). Kanonik Korelasyon Analiz Tabanlı Ses Ayrıştırma Algoritmalarının İşlem Süresi Azaltımı. Teknik Bilimler Dergisi, Cilt: 9 Sayı: 2, 55–59. https://doi.org/10.35354/tbed.430823

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (19)

  1. Serrano, M.C. 2009. Application of sound source separation methods to advanced spatial audio systems. Technical University of Valencia, Ph. D. Thesis, 212, Spain
  2. Sezer, O., G. Erçil, A., Keskinöz, M. 2005. Destek Vektör Makinesi Kullanarak Bağımsız Bileşen Tabanlı 3B Nesne Tanıma. IEEE 13th Signal Processing and Communications Applications Conference, 16-18 May, Kayseri, 99-102.
  3. Hyvarinen, A., Oja, E. 2000. Independent Component Analysis: Algorithms and Applications. Neural Networks 13, 411–430.
  4. Hyvarinen, A. 1999. Survey On İndependent Component Analysis. Neural Computing Surveys 2, 99, 94-128.
  5. Hotelling, H. 1936. Relation Between Two Sets of Variates. Biometrika, 28, 321-377.
  6. Kettenring, J. R. 1971. Canonical Analysis of Several Sets of Variables. Biometrika, 58, 433-451.
  7. Anderson, T. W. 2003. An introduction to multivariate statistical analysis. 3rd edition, WILEY Series İn Probability and Atatistics, 752s.
  8. Tatlıdil, H. 1996. Uygulamalı çok değişkenli istatistiksel analiz. Cem Web Ofset Ltd. Şti. Ankara, 424s.
  9. Keser, İ. K., Ertaş, K. 2007. Düzgünleştirilmiş Fonksiyonel Ana Bileşenler Analizi ve Bir Uygulama. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22, 1-26.
  10. Ramsay, J. O. 1982. When The Data Are Functions. Psychometrica, 47(4), 379-396.
  11. Bach, F. R., Jordan, M. I. 2002. Kernel Independent Component Analysis. Journal of Machine Learning Research, 3, 1-48.
  12. Aykut, M. 2007. Örüntü tanıma amaçlı doğrusal olmayan yöntemlerin geliştirilmesi ve uygulanması. Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 111s, Trabzon.
  13. Strang, G., Nguyen, T. 1996. Wavelets and Filter Banks. 2nd edition, Wellesley-Cambridge Press, 520s.
  14. Bilgin, S. 2008. Kalp hızı değişkenliğinin dalgacık dönüşümü ve yapay sinir ağları kullanılarak analizi. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 156s, Sakarya.
  15. Ustundağ, M. 2013. ECG Sinyallerinde Gürültü Gidermek için Dalgacık Dönüşümünün FPGA Tabanlı Donanımsal Gerçeklemesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 25(2), 63-68.
  16. Tepe, C., Sezgin, H. 2007. EKG Sinyallerinde Gürültü Gidermede Ayrık Dalgacık Dönüşümünde Farklı Ana Dalgacıkların Ve Ayrıştırma Seviyelerinin Karşılaştırılması. Elektrik – Elektronik –Bilgisayar ve Biyomedikal Müh. 12. Ulusal Kongresi, 14-18 Kasım, Eskişehir.
  17. Olkkonen, J. 2011. Discrete Wavelet Transforms. Theory And Applications, Mart 2011, İndia, 1-268.
  18. Tan, L. 2007. Digital Signal Processing. Fundamentals and applications. Academic Press, 840s.
  19. Serrano, M.C. 2009. Application of sound source separation methods to advanced spatial audio systems. Technical University of Valencia, Ph. D. Thesis, 212, Spain