{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q103",
        "title": "کشف وقایع صوتی غیرهمزمان در سیگنال‌های محیطی و رده‌بندی آنها",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q103",
        "title": "کشف وقایع صوتی غیرهمزمان در سیگنال‌های محیطی و رده‌بندی آنها",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1396,
        "authors": [
            {
                "name": "مراد درخشان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین مروی",
                "role": "استاد راهنما"
            },
            {
                "name": "حمید حسن پور",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "شناسایی و رده‌بندی وقایع صوتی",
            "سگمنت‌بندی",
            "استخراج ویژگی",
            "جداسازی منابع صوت",
            "تجزیه نامنفی ماتریس",
            "نمایش تنک سیگنال",
            "آنالیز صحنه‌های شنیداری",
            "الگوریتم‌های یادگیری ماشینی",
            "اسپکتروگرام",
            "نظارت و دیده‌بانی صوتی"
        ],
        "abstract": "تشخیص و رده‌بندی وقایع صوتی  در محیط کار و زندگی به صورت یک نیاز در دنیای مدرن قرن 21 تبدیل شده‌است، به‌نحوی که شاخه‌ای از پژوهش در هوش مصنوعی و به تبع آن در زیرشاخه محاسبات آنالیز صحنه شنیداری  از حوزه پردازش سیگنال دیجیتال به این کار اختصاص یافته‌است. \r\nاین رساله، دو پیشنهاد مهم در خصوص کشف و رده‌بندی صداهای محیطی ارائه می‌کند. در راهکار اول یک مدل با چندین جزء مستقل کوچک‌تر پیشنهاد می‌شود که هرکدام دارای نقطه قوتی برای کل مدل است. بیش‌ترِ مدل‌های موجود، همه انتظارات از مدل‌سازی را در یک تعریفِ منسجم و آماری می‌بینند، اما در اینجا، مدل اصلی از ترکیب موازی چند جزء ساخته می‌شود تا بتواند حداکثر  اطلاعات را از داده‌های خام استخراج  و آن‌ها را به‌نحو مطلوب مدل کند و به‌علاوه بین اجزاء، به‌خصوص ویژگی‌ها، تاثیر جانبی مثبت را جایگزین تاثیر جانبی منفی نماید. معیار F1 در این روش برای شناسایی فریم و واقعه صوتی به ‌ترتیب 80.6 درصد و 72.8 درصد بدست آمده‌است. راهکار دوم مبتنی بر تجزیه نامنفی  سیگنال مشاهده جهت ذخیره بافت فرکانسی نمونه از صداها به صورت اتم‌ها یا وصله‌های‌صوتی در یک دیکشنری و سپس بازسازی سیگنال آزمایش از طریق تولید یک نمایش تنک  از اتم‌های دیکشنری در بازنمایی سگمنت‌های آن سیگنال است. این روش در واقع مبتنی بر جداسازی و تفکیک یک سیگنال به اجزای اولیه یعنی وقایع صوتی است. معیار F1 در این روش برای شناسایی فریم و واقعه صوتی به ‌ترتیب 56.5 درصد و 49.2 درصد ‌بدست آمده‌است. این نتایج برتری روش‌های پیشنهادی نسبت به روش‌های پیشین بر روی پایگاه داده DCASE2013 را نشان می‌دهد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q103.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}