<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=152768"><dc:title>Razvrščanje signalov v posnetkih vibracijske krajine</dc:title><dc:creator>Štrus,	Tomaž	(Avtor)
	</dc:creator><dc:creator>Marolt,	Matija	(Mentor)
	</dc:creator><dc:creator>Pesek,	Matevž	(Komentor)
	</dc:creator><dc:subject>šibko nadzorovano učenje</dc:subject><dc:subject>klasifikacija zvokov</dc:subject><dc:subject>vibracijska krajina</dc:subject><dc:description>Vibracijska krajina je naravno vibracijsko okolje, sestavljeno iz bioloških, geofizikalnih in antropogenih vibracij. V tem še zelo neraziskanem svetu vibracijske krajine nas zanima predvsem vibracijska komunikacija žuželk. Zato smo v okviru magistrskega dela raziskali, kako uspešno detektirati oglašanja žuželk na posnetkih vibracijske krajine z uporabo različnih strojnih modelov. Učinkovitost različnih preprostih modelov strojnega učenja, kot je model SVC, smo primerjali z usmerjeno nevronsko mrežo. Te modele smo kombinirali s tradicionalnimi ročnimi značilkami, kot sta LFCC in MFCC, hibridnimi značilkami, ki združujejo obe prej omenjeni metodi, ter globokimi značilkami openl3. Poleg tega smo uporabili tudi globoka modela CNN in TFNet, ki nimata potrebe po predhodnem izračunu značilk. Z globokim modelom smo preizkusili tudi metode, kot je normalizacija PCEN in metodi obogatitve podatkov mixup in specAugment. Za detekcijo vseh oglašanj smo dobili najboljše rezultate s kombinacijo značilk openl3 in modela SVC, kjer smo dosegli 79,950-odstotno mero F1 na testnih podatkih.</dc:description><dc:date>2023</dc:date><dc:date>2023-12-06 12:40:01</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>152768</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>