Acil durum tabanlı telsiz konuşmalarındaki gürültülü ses verilerinin derin öğrenme yöntemleri kullanılarak tanımlanması
Identification of noisy voice data in emergency-based radio conversations using deep learning methods
- Tez No: 875477
- Danışmanlar: DOÇ. DR. VOLKAN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erzincan Binali Yıldırım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ses, kişiler arası iletişimde kullanılan temel unsurdur ve özellikle acil durum iletişiminde hayati bir rol oynamaktadır. Acil durum iletişiminde, konuşma seslerinin anlaşılabilirliği hızlı ve doğru bilgi akışı için kritik öneme sahiptir. Geleneksel iletişim yöntemlerinin başarısız olduğu durumlarda, telsiz iletişimi bağımsız yapısı sayesinde güvenilir bir araç olarak öne çıkmaktadır. Telsiz iletişiminde karşılaşılan en büyük sorun gürültülü seslerin anlaşılamamasıdır. Son yıllarda öne çıkan derin öğrenme yöntemlerinin kullanımı, gürültülü seslerin doğru tanımlanması için büyük faydalar sağlamaktadır. Bu tez kapsamında, acil durum kontrollerinde kullanılmak üzere ses verilerini tanıyan derin öğrenme tabanlı yeni bir model geliştirilmiştir. Geliştirilen modelin eğitimi ve test edilmesi için çeşitli çevresel gürültü koşulları altında elde edilen telsiz kayıtları kullanılarak altı farklı Türkçe ses verisi içeren yeni bir veri seti hazırlanmıştır. Bu veri seti kullanılarak, geliştirilen modelle %96,40 başarı oranıyla altı farklı acil durum ses verisi tanımlanmıştır.
Özet (Çeviri)
Voice is the basic element used in interpersonal communication and plays a vital role especially in emergency communication. In emergency communication, the intelligibility of speech sounds is of critical importance for fast and accurate information flow. In cases where traditional communication methods fail, radio communication stands out as a reliable tool thanks to its independent structure. The biggest problem encountered in radio communication is the inability to understand noisy sounds. The use of deep learning methods, which have become prominent in recent years, provides great benefits for the correct identification of noisy sounds. Within the scope of this thesis, a new deep learning-based model that recognizes voice data has been developed to be used in emergency controls. For training and testing of the developed model, a new dataset containing six different Turkish voice data was prepared using radio recordings obtained under various environmental noise conditions. Using this dataset, six different emergency voice data were identified with 96.40% success accuracy with the developed model.
Benzer Tezler
- Çocuklarda akut stres hiperglisemisinde hormonal değişikliklerin ve kısa süreli prognozun incelenmesi
Başlık çevirisi yok
AYGÜN DİNDAR
Tıpta Uzmanlık
Türkçe
1987
Çocuk Sağlığı ve Hastalıklarıİstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Hemşireliği Ana Bilim Dalı
DOÇ. DR. HÜLYA GÜNÖZ
- Travmatik erkek paraplojelere yüksek frekanslı TENS
Başlık çevirisi yok
SEMA ÖZTÜRK
Yüksek Lisans
Türkçe
1986
Ortopedi ve TravmatolojiGazi ÜniversitesiKazalarda Acil Yardım ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. VESİLE SEPİCİ
- 1985 yılında acil yardım ve trafik hastanesine kaza nedeniyle başvuranların incelenmesi
Başlık çevirisi yok
GÜLAY BALCI
Yüksek Lisans
Türkçe
1987
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MEHMET ALİ BUMİN
- Kaza sonucu meydana gelen akut zehirlenmeler ve ilaç zehirlenmeleri
Başlık çevirisi yok
SELMA YURTDAŞ
Yüksek Lisans
Türkçe
1987
Eczacılık ve FarmakolojiGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ORHAN ASLANOĞLU
- Çeltikte farklı tuz konsantrasyonlarında bazı agronomik karakterlerin varyasyonu
Başlık çevirisi yok
GÜLNAZ AGAR