
Дана магістерська дисертація присвячена розробленню та реалізації способу і програмного забезпечення аналізу та класифікації аудіоматеріалів з використанням штучного інтелекту. В ході даної магістерської дисертації було проаналізовано ряд існуючих алгоритмів та методів аналізу та класифікації аудіоматеріалів, що відрізняється своїм унікальним набором виокремлених ознак, що був використаний передовими алгоритмами глибокого навчання, для обробки та класифікації складних аудіосигналів. Такий підхід забезпечує рівень точності аналізу та класифікації аудіоматеріалів до 90%, що перевищує точність проаналізованих методів на 5-6%. Використання цього методу дозволяє значно покращити точність налізу та класифікації аудіоматеріалів. У даній магістерській дисертації розроблено програмне забезпечення для аналізу та класифікації аудіоматеріалів
аудіоматеріал, кепстральні коефіцієнти, машинне навчання, мел-частотні кепстральні коефіцієнти
аудіоматеріал, кепстральні коефіцієнти, машинне навчання, мел-частотні кепстральні коефіцієнти
| selected citations These citations are derived from selected sources. This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | 0 | |
| popularity This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network. | Average | |
| influence This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | Average | |
| impulse This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network. | Average |
