Çevresel seslerin evrişimsel sinir ağları ile sınıflandırılması

Çevresel faaliyetler canlı veya cansız varlıklar tarafından oluşmaktadır. Bu faaliyetlerin sonuçlarını temsil edebilecek ve aynı zamanda ortam hakkında bilgi verebilecek ses verisi önem kazanmaktadır. Kentlerde meydana gelen gürültü kirliliği, trafik problemleri, güvenlik sistemleri, akıllı takip sistemleri, sağlık hizmetleri, yerel hizmetler gibi faaliyetlerin işleyişini ve temel bilgilerini elde etmek için ses verisinden faydalanılmaktadır. Bu anlamda Çevresel Seslerin Sınıflandırılması (ÇSS) kritik önem kazanmaktadır. Artan veri miktarı ve çözümlemedeki zaman kısıtlamalarından dolayı anlık otomatik olarak seslerin tanımlanmasını sağlayan yeni ve güçlü yapay zekâ yöntemlerine ihtiyaç duyulmaktadır. Bu alanda son yıllarda Derin Öğrenme (DÖ) mimarilerinin birçok farklı alanda elde etmiş olduğu yüksek performanstan dolayı ÇSS işlemi DÖ mimarileri ile yapılması amaçlanmıştır. Yapılan bu tez kapsamında üç farklı ÇSS veri setinin sınıflandırılması için Derin Öğrenmenin temel mimarisi olan Evrişimsel Sinir Ağları (ESA) modelleri tasarlanmıştır. Her bir veri seti için özgün olarak tasarlanan birden fazla ESA modelleri içerisinden en yüksek doğruluk oranına sahip ESA modelleri elde edilmiştir. Bu veri setleri sırasıyla ESC10, ESC50 ve UrbanSound8K veri setleridir. Bu veri setlerindeki ses kayıtları 32x32x3 ve 224x224x3 boyutuna sahip görüntü formatına çevrilmiştir. Böylelikle toplamda altı farklı görüntü formatında veri seti elde edilmiştir. Bu veri setlerinin sınıflandırılması için geliştirilen özgün ESA modelleri sırasıyla, ESC10_ESA32, ESC10_ESA224, ESC50_ESA32, ESC50_ESA224, URBANSOUND8K_ESA32 ve URBANSOUND8K_ESA224 olarak isimlendirilmiştir. Bu modeller veri setleri üzerinde 10-Kat Çapraz Doğrulama (10-Fold Cross Validation) yapılarak eğitilmiştir. Elde edilen sonuçlarda, ESC10_ESA32, ESC10_ESA224, ESC50_ESA32, ESC50_ESA224, URBANSOUND8K_ESA32 ve URBANSOUND8K_ESA224 modellerinin ortalama doğruluk oranları sırasıyla %80.75, %82.25, %54.55, %72.15, %88.60 ve %84.33 olarak elde edilmiştir. Elde edilen sonuçlar aynı veri setleri üzerinde literatürde yapılan diğer temel çalışmalarla karşılaştırıldığında önerilen modellerin ESC10 ve UrbanSound8K veri setinde daha iyi sonuçlar elde ettiği görülmüştür. ESC50 veri setinde ise bir çalışma haricinde diğer çalışmalardan daha iyi olduğu anlaşılmıştır.