ارائه یک مدل پارامتریک تطبیقی جهت کشف و رده بندی وقایع صوتی در سیگنال های محیطی

کشف وقایع صوتی در محیط کار و زندگی یک نیاز مدرن جهت گردآوری اطلاعات است. تاکنون بیشتر تحقیق ها بر واقعه صوتی خاص و یا تعداد محدودی از وقایع صوتی برجسته متمرکز بوده است. در اینجا یک مدل سازی جدید جهت کشف تمام وقایع صوتی رخ داده در رکورد و تعیین محدوده زمانی برای هر یک از آن ها ارائه شده است. نوآوری شامل مدل سازی جدید همراه با پارامترهای تطبیقی در مدل است. پس از استخراج ویژگی ها و تعیین مقادیر دو پارامتر آلفا و بتا از دو قطعه بندی مجزا و ترکیب خروجی آن ها برای تعیین وقایع صوتی و محدوده زمانی آن ها استفاده شده است. این وقایع جهت رده بندی به الگوریتم KNN فرستاده می شوند. پارامترها امکان دقت بیشتر و یا میزان کشف حداکثری را ممکن می سازند. وقایع صوتی آزمایش شده شامل 16 نوع صدای اتاق کار اداری هستند که برخی شبیه هم و بعضی نیز مشابه نویز محیط هستند. در سنجش عملکرد برحسب واقعه، میزان درستی کشف 70.1 درصد، فراخوانی 75.8 درصد و میزان F1، 72.8 درصد بوده است. همچنین میزان F1 برحسب فریم 80.6 درصد حاصل شد. مقدار F1 برحسب واقعه، نسبت به قبل 10.8% بهبود داشته است که مویدکارآمدی مدل پیشنهادی است.