miun.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Audio classification with Neural Networks for IoT implementation
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Institutionen för elektronikkonstruktion.
2019 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

This project is based upon two previous projects handed to the author by the Norwegian University of Science and Technology in co-operation with Disruptive Technologies.

 

The report discusses sound sensing and Neural Networks, and their application in IoT. The goal was to determine what type of Neural Networks or classification methods was most suited for audio classification. This was done by applying various classification methods and Neural Networks on a data set consisting of 8732 sound samples. These methods where logistic regression, Feed-Forward Neural Network, Convolutional Neural Network, Gated Recurrent Unit, and Long Short-term Memory network. To compare the Neural Networks the accuracy of the training data set and the validation data set were evaluated. Out of these methods the feed-forward network yielded the highest validation accuracy and is the preferable classification method. However, with more work and refinement the Long Short-term memory may prove to be the better solution.

 

Future work with a Vesper V1010 piezoelectric microphone and IoT implementation is discussed, as well as the social and ethical difficulties proposed by what is essentially a data gathering system.

Ort, förlag, år, upplaga, sidor
2019. , s. 40
Nyckelord [en]
Neural Networks, deep learning, machine learning, acoustics, sound sensor, IoT, statistical classifiers
Nationell ämneskategori
Annan elektroteknik och elektronik
Identifikatorer
URN: urn:nbn:se:miun:diva-37640Lokalt ID: EL-V19-A2-042OAI: oai:DiVA.org:miun-37640DiVA, id: diva2:1368469
Ämne / kurs
Elektronik EL1
Utbildningsprogram
Masterprogram i elektroniksystem och instrumentation TEIAA 120 AV
Handledare
Examinatorer
Tillgänglig från: 2019-11-07 Skapad: 2019-11-07 Senast uppdaterad: 2019-11-07Bibliografiskt granskad

Open Access i DiVA

fulltext(5224 kB)16 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 5224 kBChecksumma SHA-512
8fe4e2eb60c385d29854d28d5c4068d87d60bf381c531ef532e0aebe3a2f2351a34db6d485b0a2142caf286ddc64df15c4614253ed7c9d44c8eddd257abd45ed
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Khadoor, Nadim Kvernes
Av organisationen
Institutionen för elektronikkonstruktion
Annan elektroteknik och elektronik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 16 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 30 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf