А.С. Вьюгина¹, Е.И. Кублик², М.С. Чипчагов³, А.И. Лабинцев⁴

1,2 Российский технологический университет МИРЭА (Москва, Россия)

2−4 Финансовый университет при Правительстве РФ,

Постановка проблемы. Интеллектуальный анализ звуковых данных – перспективная область исследования современной науки, использующая методы классификации, моделирования и прогнозирования. Он может использоваться не только для автоматического распознавания речи, цифровой обработки сигналов, генерации музыки и прочих прикладных задач, но и для обеспечения безопасности городской среды.

Цель. Разработать автоматизированную систему обеспечения безопасности города на основе анализа звуковых данных.

Результаты. Рассмотрен подход к разработке автоматизированной системы с имплементацией анализа звуковых данных через обучение нейронной сети третьего поколения с помощью методов глубокого обучения. Проведена разработка автоматизированной системы, направленной на автоматизацию работы полицейских патрулей для выявления тревожных событий на улицах города и оперативного вмешательства для их пресечения.

Практическая значимость. Проведенная разработка автоматизированной системы на основе анализа звуковых данных позволила определить необходимые параметры для классификации аудиоданных, определяющих безопасность города через акустические характеристики, выработать достаточные условия для создания подобной автоматизированной системы и добиться роста и стабилизации точности классификации входных аудиоданных при увеличении числа слоев модели.

Вьюгина А.С., Кублик Е.И., Чипчагов М.С., Лабинцев А.И. Автоматизированная системы обеспечения безопасности города на основе анализа звуковых данных // Информационно-измерительные и управляющие системы. 2022. Т. 20. № 6. С. 50−57. DOI: https://doi.org/10.18127/j20700814-202206-06

1. Черкасов Д.Ю., Иванов В.В. Машинное обучение // Компьютерные и информационные науки. 2018.
2. Коротеев М.В. Обзор некоторых современных тенденций в технологии машинного обучения // Компьютерные и информационные науки. 2018.
3. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения // Искусственный интеллект в здравоохранении. 2017. [https://www.idmz.ru/media/vit_ru/2017/3/vit‑3_nizkoe-razr-pages-94-107pdf.pdf].
4. Гусев А.В., Плисс М.А. Основные рекомендации к созданию и развитию систем на базе искусственного интеллекта // Искусственный интеллект в здравоохранении. 2018. [https://www.idmz.ru/media/vit_ru/2018/3/vit-3-2018-hi-res-stranitsy-47-62pdf.pdf].
5. Nigmatullin R., Dorokhin S., Ivchenko A. Generalized Hurst Hypothesis: Description of Time-Series in Communication Systems // Mathematics. 2021. [https://www.mdpi.com/2227-7390/9/4/381/pdf?version=1614081464].
6. Katori Y., Okubo K. Neural network based geomagnetic estimation for multi-site observation system // IEICE Communications Express. 2018. [https://www.jstage.jst.go.jp/article/comex/7/10/7_2018XBL0017/_pdf/-char/en].
7. Shafin R., Liu L., Ashdown J., Matyjas J., Medley M., Wysocki B., Yi Y. Realizing Green Symbol Detection via Reservoir Computing: An Energy-Efficiency Perspective // IEICE Communications Express. 2018.
8. Kulikov V., Lempitsky V. Instance Segmentation of Biological Images Using Harmonic Embeddings // Computer vision and pattern recognition. 2019. [https://arxiv.org/pdf/1904.05257].
9. Шолле Ф. Глубокое обучение на Python. М.: Питер. 2019. 400 с.
10. Тирни Б., Келлехер Д. Наука о данных. М.: Альпина нон-фикшн. 2020. 220 с.
11. Рашка С., Мирджалили В. Python и машинное обучение. М.: Вильямс. 2020. 848 с.
12. Нильсен М. Neural Networks and Deep Learning. Электронный ресурс: [http://neuralnetworksanddeeplearning.com/]. Дата обращения: 20.10.2021.
13. Кублик Е.И., Вьюгина А.С. Анализ систем обеспечения безопасности на основе технологий акустического наблюдения // Тезисы докладов XX Всерос. научной конф. «Нейрокомпьютеры и их применение». М.: МГППУ. 2022. 41 с.
14. Антоненко М. Анализ алгоритмов аудиоаналитики. Электронный ресурс: [https://habr.com/ru/company/synesis/blog/250935/]. Дата обращения: 15.03.2022.
15. Анализ аудио. Идентификация голоса. Электронный ресурс: [https://habr.com/ru/post/572496/]. Дата обращения: 17.03.2022.
16. Аудиоанализ и алгоритмы обработки изображений. Электронный ресурс: [https://habr.com/ru/company/audiomania/blog /380027/]. Дата обращения: 17.03.2022.
17. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания. Information technology. Set of standards for automated systems. Stages of development: ГОСТ 34.601-90. Издание официальное. М.: Стандартинформ. 2002.
18. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. Information technology. Set of standards for automated systems. Technical directions for automated system making: ГОСТ 34.602-89. Издание официальное. М.: Стандартинформ. 2009.
19. Документация по языку программирования Python. Электронный ресурс: [https://pydocs.ru/]. Дата обращения: 25.04.2022.
20. PyMongo 4.1.1 Documentation. Электронный ресурс: [https://pymongo.readthedocs.io/en/stable/index.html]. Дата обращения: 30.04.2022.
21. Чижова , Е.И. Кублик И.А., Чипчагов М.С., Лабинцев А.И. Повышение эффективности фильтрации спама на основе методов машинного обучения в сообщениях различной природы // Нейрокомпьютеры: разработка, применение. 2022. № 5. С. 5−18