1 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Thema : Objektorientierte Realisierung eines Programms zur Erkennung von Vogelstimmen mit Hilfe Neuronaler.

Präsentation zum Thema: "1 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Thema : Objektorientierte Realisierung eines Programms zur Erkennung von Vogelstimmen mit Hilfe Neuronaler."—  Präsentation transkript:

1 1 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Thema : Objektorientierte Realisierung eines Programms zur Erkennung von Vogelstimmen mit Hilfe Neuronaler Netze Dipl.-Ing. (FH) Oliver Schulte

2 2 Gliederung Aufgabenstellung der Diplomarbeit Projekteinteilung Anwendung Ausblick Vorverarbeitung Modellierung der Klassifikation Nachverarbeitung

3 3 Dipl.-Ing.(FH) Oliver Schulte Aufgabenstellung Erstellung eines Programmes zur Erkennung von Vogelstimmen Zu verwendende Mittel Datenbasis Erstellung des Programmes in C++ mit Hilfe von UML Fouriertransformation zur Signalanalyse MultiLayerPerzeptron (mit Feedforward-Algorithmus) Rufe von 62 verschiedenen Vogelarten in 321 Dateien mit 44,1KHz Samplerate

4 4 Dipl.-Ing.(FH) Oliver Schulte Projekteinteilung Vorverarbeitung Klassifikation der extrahierten Merkmale Nachverarbeitung Extraktion markanter Merkmale Frequenzanalyse mit gefensterter Fouriertransformation Formatieren der Merkmale als Eingangsdaten Prognose durch das MLP Aufbereitung der Ausgangsdaten des MLP Ermittelung der Vogelart

5 5 Dipl.-Ing.(FH) Oliver Schulte Vorverarbeitung Fragestellungen Beschreibung repräsentativer Merkmale Triggerung der Analyse Nur 4 Datensätze pro Vogelart

6 6 Dipl.-Ing.(FH) Oliver Schulte Vorverarbeitung Einteilung der Rufe in Worte Ermöglicht die Triggerung der Datenanalyse Erhöhung der Anzahl der Datensätze

7 7 Dipl.-Ing.(FH) Oliver Schulte Vorverarbeitung Bei Überschreitung der Triggerschwelle im Zeitbereich wird die Analyse gestartet

8 8 Dipl.-Ing.(FH) Oliver Schulte Vorverarbeitung Der Verlauf der Frequenzmaxima ist charakteristisch für die einzelnen Worte

9 9 Dipl.-Ing.(FH) Oliver Schulte Vorverarbeitung Merkmalsextraktion Einteilung der Worte in 10 Abschnitte Ermittelung der lokalen Frequenzmaxima

10 10 Dipl.-Ing.(FH) Oliver Schulte Klassifikation Eingangsvektor Ausgangsvektor 2 Maxima pro Wortteil 20 Mittelwerte aus dem Zeitbereich Länge des Wortes in Sample MLP mit 41 Eingängen und 115 Ausgängen Trainiert unter Verwendung von NN-Tool(Feedforward-Algorithmus) Einen Ausgang für jedes der 115 Worte

11 11 Dipl.-Ing.(FH) Oliver Schulte Klassifikation Netzstruktur 11600 Datensätze(80% Lernset, 20% Testset) Datenmatrix von 11600 x (41+115) Zahlenwerten Durchschnittlich 20 Neuronen pro Ausgang Ca. (41 x 20) + (115 x 20) Werte Datenbasis

12 12 Dipl.-Ing.(FH) Oliver Schulte Nachverarbeitung Auswerten des Prognosevektors Ermitteln der Vogelart Zuordnung der prognostizierten Worte zur Vogelart Ermittelung des Vogels aus der Häufigkeit des Vorkommens Ermitteln des Wortes mit dem höchsten Prognoseergebnis Verifizieren des Ergebnisses mit Hilfe der Wortlänge

13 13 Dipl.-Ing.(FH) Oliver Schulte Anwendung Oberfläche der erstellten Anwendung

14 14 Dipl.-Ing.(FH) Oliver Schulte Ausblick Vorverarbeitung Nachverarbeitung Verwendung von Kontextwissen (Region, Zeit,…) Erweiterung der Vogelarterkennung Multiskalenmethoden zur Signalanalyse Berücksichtigung der Maximaformen Einbeziehung der Maximawerte Klassifikation Untersuchung weiterer Netztopologien/ Klassifikationsalgorithmen

15 15 Dipl.-Ing.(FH) Oliver Schulte In Kooperation mit Ich danke Ihnen für Ihre Aufmerksamkeit!