Original title:
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Translated title:
Audio noise reduction using deep neural networks
Authors:
Talár, Ondřej ; Galáž, Zoltán (referee) ; Harár, Pavol (advisor) Document type: Master’s theses
Year:
2017
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Práce 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.
The 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.
Keywords:
created dataset; deep learning; denoising; KERAS; Long Short-Term Memory (LSTM); reccurent neural network; hluboké učení; KERAS; Long Short-Term Memory (LSTM); odšumování; rekurentní neuronová síť; tvorba datasetu
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/69313