Implementasi Algoritma Deep Artificial Neural Network Menggunakan Mel Frequency Cepstrum Coefficient Untuk Klasifikasi Audio Emosi Manusia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Emosi merupakan keadaan yang dirasakan pada setiap individu dalam intensitas yang tinggi terhadap sesuatu hal. Emosi sulit dipahami dan sulit diukur secara kuantitatif. Emosi dapat tercermin dalam ekspresi wajah dan nada suara. Suara mengandung sifat fisik yang unik untuk setiap pembicara. Setiap orang memiliki warna nada, tempo, dan ritme yang berbeda. Oleh karena itu, Identifikasi emosi manusia berguna dalam bidang interaksi manusia dan komputer. Ini membantu mengembangkan antarmuka perangkat lunak yang dapat diterapkan di pusat layanan masyarakat, bank, pendidikan, dan lainnya. Pada penelitian ini, digunakan model berbasis Deep Artificial Neural Network (Deep ANN) dalam mengklasifikasikan emosi suara. Dataset yang digunakan ialah “Toronto Emotional Speech Set” dengan 14 class dan 2.800 data audio. Deep ANN tersusun dari 2 hidden layer dengan masing-masin 100 dan 7 neuron menggunakan fungsi aktivasi Rectified Linear Unit (ReLU). Ekstraksi fitur diberlakukan untuk semua file audio menggunakan metode Mel Frequency Cepstrum Coefficient (MFCC). Berdasarkan hasil yang diperoleh, arsitektur berbasis Deep ANN ini dengan 100 epoch mendapatkan tingkat akurasi yang sangat baik dengan nilai akurasi adalah 99.71%, presisi rata-rata 99.97%, recall rata-rata 99.97%, dan skor F1 rata-rata 99.97%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle