Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- Определение параметров обучающей выборки для нейронной сети, применяемой при определении процента разборчивости речи в задачах оценки защищенности речевой акустической информации
- Авторы
- Волков Никита Андреевич volkovnikandr@gmail.com, аспирант кафедры "Электронные системы и информационная безопасность", ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Россия
Иванов Андрей Валерьевич andrej.ivanov@corp.nstu.ru, канд. техн. наук, доцент кафедры "Электронные системы и информационная безопасность", ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Россия
- В разделе
- ТЕХНИЧЕСКАЯ ЗАЩИТА ИНФОРМАЦИИ. Доверенная среда
- Ключевые слова
- глубокие нейронные сети / сверточные нейронные сети / отношение сигнал/шум / зашумленность аудиозаписи / распознавание речи / спектрограммы / мел-частотные кепстральные коэффициенты / оценка защищенности речевой акустической информации
- Год
- 2024 номер журнала 4 Страницы 44 - 51
- Индекс УДК
- 004.056.53
- Код EDN
- XZYMKN
- Код DOI
- 10.52190/2073-2600_2024_4_44
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Рассмотрена возможность использования сверточных нейронных сетей для решения задач оценки защищенности речевой акустической информации. Проведено исследование для нахождении наиболее подходящих параметров спектрограмм и мел-частотных кепстральных коэффициентов, сгенерированных на основе аудиозаписей речи с наложенным белым шумом для создания обучающей выборки, применяемой при обучении сверточной нейронной сети. Определены параметры модели сверточной нейронной сети, и сформированы требования к набору данных для её обучения. Был изменен в обучающей выборке один из параметров в целях определения наиболее подходящих значений. В результате исследования сделан вывод, что для решения подобной задачи наилучшим образом подходит формат представления наборов данных в виде графиков мел-частотных кепстральных коэффициентов. В дальнейшем планируется расширить набор данных путем увеличения количества дикторов и добавлением различных спектров маскирующих шумов.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Железняк В. К., Макаров Ю. К., Хорев А. А. Некоторые методические подходы к оценке эффективности защиты речевой информации // Специальная техника. 2000. № 4. C. 39-45.
Покровский Н. Б. Расчет и измерение разборчивости речи. - М.: Связьиздат, 1962.
Иванов А. В., Трушин В. А. О модели речевого сигнала при оценке защищенности речевой информации от утечки по техническим каналам // Доклады ТУСУР. 2014. № 2(32). С. 87-90.
Макаров Ю. К., Хорев А. А. К оценке эффективности защиты акустической (речевой) информации // Специальная техника. 2000. № 5. С. 46-56.
Иванов А. В., Салимов Ш. Р. О возможности применения технологий распознавания речи в задачах оценки защищенности акустической информации от утечки по техническим каналам // Динамика систем, механизмов и машин = Dynamics of Systems, Mechanisms and Machines. 2020. Т. 8. № 2. С. 109-114.
Жабыко Е. И., Рублевская Н. И. Акустическое проектирование залов многоцелевого назначения: учеб. пособие. - Владивосток: Изд-во ДВГТУ, 2008. - 89 с.
Волков Н. А., Иванов А. В. Подход к оценке защищенности речевой акустической информации с применением нейронных сетей // Вестник СибГУТИ. 2024. Т. 18. № 2. С. 43-56.
ГОСТ Р 50840-95 Передача речи по трактам связи. Методы оценки качества, разборчивости и узнаваемости. - М.: Госстандарт России, 1995. - 249 с.
Volkov N. A., Ivanov A. V. On the Use of Convolutional Neural Networks in the Tasks of Assessing the Security of Speech Acoustic Information. In: Lapina M., Raza Z., Tchernykh A., Sajid M., Zolotarev V., Babenko M. (eds) AISMA-2024: International Workshop on Advanced Information Security Management and Applications. AISMA 2024. Lecture Notes in Networks and Systems, 2024. Vol. 863. Springer, Cham. https://doi.org/10.1007/978-3-031-72171-7_33.
Deep Residual Learning for Image Recognition [Электронный ресурс]. URL: https://arxiv.org/pdf/1512.03385.pdf (дата обращения: 15.09.2024).
Умняшкин С. В. Основы теории цифровой обработки сигналов: учеб. пособие. - М.: ТЕХНОСФЕРА, 2016. - 528 с.
Tyagi V., Wellekens C. On desensitizing the Mel-cepstrum to spurious spectral components for robust speech recognition // Proceedings (ICASSP '05). IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005. P. 1-21.
Герасимов С. М., Жаринов О. О. Исследование методов анализа речевых сигналов // Сб. док. семьдесят третьей межд. студ. науч. конференции ГУАП. 2020. Ч. 3. С. 36-41.
Муромцев Д. И., Шилин И. А., Исаев И. В. Структурирование, разметка и обогащение данных. - СПб: Университет ИТМО, 2024. - 72 с.
Novoselov S., Volokhov V., Lavrentyeva G. Universal Speaker Recognition Encoders for Different Speech Segments Duration," ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Rhodes Island, Greece, 2023. P. 1-5.
Анализ аудиоданных с помощью глубокого обучения и Python (часть 1) - NP [Электронный ресурс]. URL: https://nuancesprog.ru/p/6713/ (дата обращения: 20.09.2024).
Христофоров А. В. Методы анализа спектра сигнала. Учебно-методическое пособие к специальному лабораторному практикуму для студентов старших курсов и магистрантов кафедр радиофизического направления. - Казань, 2004. - 21 с.
Функции оконного сглаживания - DSPLIB.org [Электронный ресурс]. URL: https://ru.dsplib.org/content/windows/windows.html (дата обращения: 20.09.2024).
Лукин А. Введение в цифровую обработку сигналов (математические основы): учеб.-метод. пособие. Лаборатория компьютерной графики и мультимедиа. - МГУ, 2007. - 54 с.
Adavanne S., Virtanen T. A report on sound event detection with different binaural features 2017. arXiv:1710.02997 [cs.SD].
Guide to Audio Classification Using Deep Learning - Analytics Vidhya [Электронный ресурс]. URL: https://www.analyticsvidhya.com/blog/2022/04/guide-to-audio-classification-using-deep-learning/ (дата обращения: 23.09.2024).
Осипов О. В. Итерационные алгоритмы БПФ с высоким частотным разрешением // Вычислительные методы и программирование. 2021. Т. 22. № 2. С. 123-137.
Первичный анализ речевых сигналов - Альфацефей [Электронный ресурс]. URL: https://alphacephei.com/ru/lecture1.pdf (дата обращения: 20.09.2024).
Ахмад Х. М., Жирков В. Ф. Введение в цифровую обработку речевых сигналов: учебное пособие. - Владимир: Изд-во Владим. гос. ун-та, 2007. - 192 с.
Многоканальные системы сбора данных. LTR24. Руководство программиста - Л-Кард [Электронный ресурс]. URL: https://www.lcard.ru/download/ltr24api.pdf (дата обращения: 03.09.2024).
Схема простой звуковой карты (ЦАП) - Радио Лоцман [Электронный ресурс]. URL: https://www.rlocman.ru/shem/schematics.html?di=660639 (дата обращения: 20.09.2024).
Коверда В. П., Скоков В. Н. Низкочастотные флуктуации в стохастических процессах с 1/f в степени альфа - спектром // Журнал технической физики. 2009. Т. 79. Вып. 6. С. 8-12.
Волков Н. А., Иванов А. В. К вопросу оценки защищенности речевой акустической информации с применением сверточной нейронной сети: мат. X Всерос. молодежной школы семинара по проблемам информационной безопасности "Перспектива-2023". Красноярск, 28 сентября-01 октября 2023 года. - М.: Издательский дом Академии Естествознания. 2023. С. 40-45.
Zhou G., Chen Y., Chien C. On the analysis of data augmentation methods for spectral imaged based heart sound classification using convolutional neural networks. - BMC Med Inform Decis Mak. 2022. V. 22. Р. 226.
Паршин С. Е. Исследование параметров алгоритмов распознавания лиц // Сб. науч. тр. НГТУ. 2019. № 1(94). С. 55-70. DOI: 10.17212/2307-6879-2019-1-55-70
Simple MNIST convnet - KERAS [Электронный ресурс]. URL: <https://keras.io/examples/vision/mnist_convnet/> (дата обращения: 06.09.2024)
Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения: учеб. пособие. - Казань: Изд-во Казан. ун-та, 2018. - 121 с.
- Купить
- 500.00 руб
