Πλοήγηση ανά Συγγραφέας "Starakis, Michail"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Επίλυση αντίστροφου προβλήματος εκτίμησης φυσικών παραμέτρων δονούμενης μεμβράνης από τον παραγόμενο ήχο, με χρήση νευρωνικών δικτύων βαθιάς μάθησης.
    (ΕΛ.ΜΕ.ΠΑ., Σχολή Μουσικής και Οπτοακουστικών Τεχνολογιών (ΣΜΟΤ), ΠΜΣ Τεχνολογίες Ήχου και Μουσικής, 2022-06-02) Σταράκης, Μιχαήλ; Starakis, Michail
    Τα αντίστροφα προβλήματα, στο πεδίο της ακουστικής, μπορούν να αποτελέσουν πολύτιμα εργαλεία για την ανάκτηση πληροφοριών μέσω του παραγόμενου ήχου. Παράλληλα, η ταχεία ανάπτυξη των τεχνικών βαθιάς μηχανικής μάθησης και οι αξιοσημείωτες επιδόσεις των τεχνητών νευρωνικών δικτύων, σε μια πληθώρα εφαρμογών, υποδηλώνουν την χρησιμότητά τους σε διάφορους επιστημονικούς τομείς. Η δημιουργία δεδομένων μέσω της επίλυσης φυσικών μοντέλων και η χρησιμοποίηση αυτών ως δεδομένα εισόδου για την εκπαίδευση νευρωνικών δικτύων, με σκοπό την εκτίμηση των φυσικών παραμέτρων του μοντέλου, αποτελεί μια πολλά υποσχόμενη μεθοδολογία. Στο πλαίσιο αυτό, η παρούσα εργασία έχει σκοπό τη μελέτη και την υλοποίηση μια νέας προσέγγισης για την επίλυση ενός αντίστροφου προβλήματος, που αφορά στην εκτίμηση φυσικών παραμέτρων του ακουστικού μοντέλου μιας δονούμενης μεμβράνης, όταν είναι γνωστός ο ήχος που παράγει. Η εκτίμηση αυτών των παραμέτρων επιχειρείται με τη χρήση νευρωνικών δικτύων βαθιάς μάθησης. Για την επίτευξη αυτού του στόχου, δημιουργήθηκε μια βάση δεδομένων, η οποία περιλαμβάνει ηχητικά δείγματα παραγόμενα από μεμβράνες, καθώς και τις παραμέτρους που καθορίζουν τα κατασκευαστικά και γεωμετρικά χαρακτηριστικά αυτών. Η δημιουργία των ηχητικών δειγμάτων βασίστηκε στην επίλυση της κυματικής εξίσωσης της μεμβράνης με τη μέθοδο των Πεπερασμένων Διαφορών Χρονικού Τομέα, επιλύοντας έτσι το ευθύ πρόβλημα. Για την αντιμετώπιση του αντίστροφου προβλήματος, τα ηχητικά δείγματα χρησιμοποιήθηκαν για την εκπαίδευση ενός Συνελικτικού Νευρωνικού Δικτύου, μέσω του οποίου έγινε προσπάθεια εκτίμησης των χαρακτηριστικών των μεμβρανών που παράγουν τους συγκεκριμένους ήχους. Καθώς διαφορετικοί συνδυασμοί φυσικών παραμέτρων της μεμβράνης μπορούν να παράγουν παρόμοιους ήχους, το συνελικτικό μοντέλο δεν μπόρεσε να εκπαιδευτεί επαρκώς. Το γεγονός αυτό οδήγησε στον επαναπροσδιορισμό του αντίστροφου προβλήματος, θέτοντας ως νέους στόχους, την εκτίμηση, με βάση τον παραγόμενο ήχο, του μοτίβου (σχήματος) και της πρόσθετης μάζας, αποσβεστικού υλικού που μπορεί να εφαρμοστεί στην επιφάνεια της μεμβράνης, ώστε να χρησιμοποιηθεί για το κούρδισμά της. Η πειραματική αξιολόγηση του μοντέλου τεκμηριώνει τη δυναμική της μεθοδολογίας που ακολουθήθηκε, καθώς το μοντέλο παρείχε πολύ ενθαρρυντικά αποτελέσματα φτάνοντας σε ακρίβεια 97% για την ταξινόμηση των μοτίβων και βαθμολογία r_square 83% για την εκτίμηση της πρόσθετης μάζας.