Machine Learning zur Klassifizierung von akustischen Signalen

Audio Processing

• Umwandlung der Audio-Files / Mikrofonaufnahmen in Signale
• Vorverarbeitung des Signals (z.B. durch Audio Decomposition)

Feature Extraction

• Informationen aus dem Audio-Signal extrahieren (Merkmale im Frequenz- und Zeitbereich)
• Geeignete Merkmale ermitteln

Datenvorverarbeitung

• Vorbereitung und Vorverarbeitung der Daten (extrahierte Merkmale), um gut geeignete Trainingsdatenmengen zu erhalten
• Aufteilung in Trainings- und Testdaten

Lernalgorithmen für die Klassifizierung trainieren

• Auswahl eines Klassifizierungsalgorithmus: Je nach Anwendungsfall eignen sich unterschiedliche Algorithmen. In der Praxis sollte die Leistung unterschiedlicher Modelle miteinander verglichen werden, um das beste Modell zu ermitteln. Welcher Algorithmus für eine bestimmte Anwendung geeignet ist, hängt von der Anzahl der Merkmale, der Datenqualität und der linearen Trennbarkeit ab.
• Training: Fütterung der ausgewählten Algorithmen mit den aufbereiteten Daten (Extrahierte Merkmale + dazugehörige Geräuschklassen)

Modellbewertung und Optimierung

• Leistungsbewertung der verschiedenen Lernmodelle
• Feinabstimmung durch Hyperparameter-Optimierung
• Bewertung von Vorhersagemodellen anhand verschiedener Leistungskriterien
• Visualisierung der Ergebnisse

Implementierung auf einem Steuergerät (Embedded System)

Ergebnis:

Ziel der Klassifizierung von akustischen Signalen ist es, eine charakteristische Testaufnahme in eine der vorgegebenen Klassen zu klassifizieren.