×
![]( "Buchcover ISBN 9783939123026")
Wissensbasierte Modellierung von Audio-Signal-Klassifikatoren
Zur Bioakustik von Tursiops truncatus
von Sebastian V HübnerDer vorliegende Band befasst sich mit der wissensbasierten Modellierung von Audio-Signal-Klassifikatoren. Er behandelt ein interdisziplinäres Problem, das viele Facetten umfasst. Zu diesen gehören Fragen der Modellbildung und Wissensrepräsentation, ethologische Fragen, Probleme semiotischer und wissenschaftstheoretischer Natur sowie algorithmische Aspekte und Implementationsdetails. Das Ziel der Ausführungen besteht darin, alle diese Facetten in einem einheitlichen, praktisch anwendbaren methodischen Prozess zur wissensbasierten Modellierung von Audio-Signal-Klassifikatoren zu verbinden. Es wird eine Vielzahl an Algorithmen dargestellt, welche es ermöglichen, die Einzelschritte dieses Modellierungsprozesses auf dem Computer auszuführen. Sowohl Methode als auch Algorithmen werden im empirischen Kontext evaluiert.
Das Problem der Modellierung von Audio-Signal-Klassifikatoren wird durchgängig aus KDD-Perspektive betrachtet. KDD- und Data-Mining-Verfahren werden so modifiziert, dass durch sie die Modellierung von Audio-Signal-Klassifikatoren erleichtert wird. Das etablierte KDD-Paradigma wird mit Hilfe eines detaillierten formalen Modells auf den Bereich der Modellierung von Audio-Signal-Klassifikatoren übertragen. Es werden 19 Einzelverfahren beschrieben, welche die Grundlage eines umfassenden Systems zur wissensbasierten Modellierung von Audio-Signal-Klassifikatoren bilden.
Methode und Algorithmen werden evaluiert, indem eine umfangreiche Sammlung akustischer Signale des großen Tümmlers mit ihrer Hilfe untersucht wird. Die Sammlung wurde speziell für diese Arbeit angefertigt. Insgesamt werden auf Grundlage dieses Materials vier empirische Studien durchgeführt:
- Mit Hilfe eines Korpus halbsynthetischer Audiodaten werden verschiedene grundlegende Verfahren zur Modellierung und Anwendung von Audio-Signal-Klassifikatoren in Hinblick auf ihre Genauigkeit und Robustheit untersucht.
- Mit Hilfe eines speziell entwickelten Clustering-Verfahres werden mehrere Tausend natürliche Pfifflaute untersucht. Die Ergebnisse werden visualisiert und diskutiert.
Durch maschinelle mustererkennungsbasierte Zählung wird die Emissionsdynamik verschiedener Lauttypen im Verlaufe von drei Wochen untersucht. Lokalisierte Klicklaute werden im Anschluss auf ihre spektralen Charakteristika hin untersucht.
Die beschriebene Methode und die dargestellen Algorithmen sind in vielfältiger Hinsicht erweiterbar, ohne dass an ihrer grundlegenden Architektur etwas geändert werden muss. Sie lassen sie sich leicht auf viele benachbarte Gebiete der Zeitreihenanalyse übertragen. Die Ergebnisse des empirischen Teils weisen auf viele interessante und neue Forschungsfragen in diesem Gebiet hin.
Das Problem der Modellierung von Audio-Signal-Klassifikatoren wird durchgängig aus KDD-Perspektive betrachtet. KDD- und Data-Mining-Verfahren werden so modifiziert, dass durch sie die Modellierung von Audio-Signal-Klassifikatoren erleichtert wird. Das etablierte KDD-Paradigma wird mit Hilfe eines detaillierten formalen Modells auf den Bereich der Modellierung von Audio-Signal-Klassifikatoren übertragen. Es werden 19 Einzelverfahren beschrieben, welche die Grundlage eines umfassenden Systems zur wissensbasierten Modellierung von Audio-Signal-Klassifikatoren bilden.
Methode und Algorithmen werden evaluiert, indem eine umfangreiche Sammlung akustischer Signale des großen Tümmlers mit ihrer Hilfe untersucht wird. Die Sammlung wurde speziell für diese Arbeit angefertigt. Insgesamt werden auf Grundlage dieses Materials vier empirische Studien durchgeführt:
- Mit Hilfe eines Korpus halbsynthetischer Audiodaten werden verschiedene grundlegende Verfahren zur Modellierung und Anwendung von Audio-Signal-Klassifikatoren in Hinblick auf ihre Genauigkeit und Robustheit untersucht.
- Mit Hilfe eines speziell entwickelten Clustering-Verfahres werden mehrere Tausend natürliche Pfifflaute untersucht. Die Ergebnisse werden visualisiert und diskutiert.
Durch maschinelle mustererkennungsbasierte Zählung wird die Emissionsdynamik verschiedener Lauttypen im Verlaufe von drei Wochen untersucht. Lokalisierte Klicklaute werden im Anschluss auf ihre spektralen Charakteristika hin untersucht.
Die beschriebene Methode und die dargestellen Algorithmen sind in vielfältiger Hinsicht erweiterbar, ohne dass an ihrer grundlegenden Architektur etwas geändert werden muss. Sie lassen sie sich leicht auf viele benachbarte Gebiete der Zeitreihenanalyse übertragen. Die Ergebnisse des empirischen Teils weisen auf viele interessante und neue Forschungsfragen in diesem Gebiet hin.