Redukce šumu audionahrávek pomocí hlubokých neuronových sítí

Simple item page
but.committeedoc. Ing. Jiří Schimmel, Ph.D. (předseda) prof. Ing. Dan Komosný, Ph.D. (místopředseda) Ing. Tomáš Kiska (člen) Ing. Anna Kubánková, Ph.D. (člen) Ing. Vlastimil Člupek, Ph.D. (člen)cs
but.defenceProč se v práci neobjevuje statistická analýza, která byla součástí zadání diplomové práce? Proč se v práci neobjevuje podrobná rešerše literatury, která by čtenáři objasnila stav problematiky v dané oblasti? Student nedopracoval práci na požadovanou úroveň. Práce pouze na 4 stranách popisuje postup studenta. Student nesplnil zadáni.cs
but.jazykčeština (Czech)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce nebyla úspěšně obhájenacs
dc.contributor.advisorHarár, Pavolcs
dc.contributor.authorTalár, Ondřejcs
dc.contributor.refereeGaláž, Zoltáncs
dc.date.created2017cs
dc.description.abstractPráce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python. Jsou prozkoumány a popsány kandidátní sítě pro možné řešení, následně je provedeno několik experimentů pro zjištění skutečného chování neuronové sítě.cs
dc.description.abstractThe thesis focuses on the use of deep recurrent neural network, architecture Long Short-Term Memory for robust denoising of audio signal. LSTM is currently very attractive due to its characteristics to remember previous weights, or edit them not only according to the used algorithms, but also by examining changes in neighboring cells. The work describes the selection of the initial dataset and used noise along with the creation of optimal test data. For network training, the KERAS framework for Python is selected. Candidate networks for possible solutions are explored and described, followed by several experiments to determine the true behavior of the neural network.en
dc.description.markFcs
dc.identifier.citationTALÁR, O. Redukce šumu audionahrávek pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2017.cs
dc.identifier.other104833cs
dc.identifier.urihttp://hdl.handle.net/11012/69313
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectLong Short-Term Memory (LSTM)cs
dc.subjecthluboké učenícs
dc.subjecttvorba datasetucs
dc.subjectKERAScs
dc.subjectodšumovánícs
dc.subjectrekurentní neuronová síťcs
dc.subjectLong Short-Term Memory (LSTM)en
dc.subjectdeep learningen
dc.subjectcreated dataseten
dc.subjectKERASen
dc.subjectdenoisingen
dc.subjectreccurent neural networken
dc.titleRedukce šumu audionahrávek pomocí hlubokých neuronových sítícs
dc.title.alternativeAudio noise reduction using deep neural networksen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2017-08-29cs
dcterms.modified2017-08-29-11:15:36cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid104833en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:30:39en
sync.item.modts2025.01.15 23:06:47en
thesis.disciplineTelekomunikační a informační technikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
942.29 KB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
2.07 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_104833.html
Size:
9.46 KB
Format:
Hypertext Markup Language
Description:
file review_104833.html
Download
Collections
2017