Ensemble-Netzwerkstruktur mit Trainingsdaten
Neue Publikation des IDACUS: "Context-Aware Acoustic Signal Processing" treibt Forschung in der Deep-Learning-basierten akustischen Signalverarbeitung voran.
Aus den aktuellen Forschungen, die im Rahmen einer Externer Link wird in neuem Fenster geöffnet:kooperierenden Promotion des Instituts für Data Science, Cloud Computing und IT-Sicherheit (Externer Link wird in neuem Fenster geöffnet:IDACUS) der Hochschule Furtwangen und der Université de Haute Alsace durchgeführt werden, wurde die neue Publikation mit dem Titel "Externer Link wird in neuem Fenster geöffnet:Context-Aware Acoustic Signal Processing" im Bereich der akustischen Signalverarbeitung veröffentlicht. Diese Veröffentlichung ist zudem ein Ergebnis des Projekts "Digitale Technologien für die Versorgung von Menschen mit Demenz" (Externer Link wird in neuem Fenster geöffnet:DIDEM).
Die Studie unterstreicht die zunehmende Bedeutung von Kontextinformationen für Vorhersagen, die von KI-Systemen getroffen werden. Durch die Integration von Kontext in ein KI-System können detailliertere, präzisere und wertvollere Ergebnisse erzielt werden, da die Möglichkeit erschaffen wird benutzer- oder domänenspezifische Informationen in das Wissen eines Systems einfließen zu lassen.
Ein zentraler Aspekt der vorgestellten Methodik ist die Verwendung von Ensemble Neural Networks, um Kontext in ein Deep Learning-System zu integrieren. Diese Architektur teilt ein großes neuronales Netzwerk in mehrere kleinere auf, die als Ensemble agieren, um gemeinsam präzisere Vorhersagen treffen können.
Die Forschung konzentrierte sich auf die akustische Überwachung von Maschinengeräuschen, als Beispielanwendung. In industriellen Umgebungen kann ein unvorhergesehener Maschinenausfall zu erheblichen Kosten und Produktionsverzögerungen führen. Um diese Herausforderung anzugehen, präsentiert die Studie einen KI-basierten Ansatz zur audiobasierten Signalerkennung, um festzustellen, welche Maschine auf dem Produktionsboden läuft und ob sie steht oder in Betrieb ist.
Eine Besonderheit der Studie besteht darin, dass die Maschinensignale mithilfe von bildgebenden Verfahren analysiert werden. Dazu wurden die Signaldaten übereinandergelegt, in verschiedene Klassen eingeteilt und anschließend in Mel-Spektrogramme transformiert. Diese wurden wiederum als Eingabedaten für ein Ensemble aus Convolutional Neural Networks verwendet. Ein Beispiel der für das Training der Neuronalen Netze vorhandenen Daten ist ebenfalls in der Abbildung zu sehen.
Insgesamt zeigt die Veröffentlichung von "Context-Aware Acoustic Signal Processing" das enorme Potenzial von Kontextuellen KI-Systemen, insbesondere im Bereich der Signalverarbeitung und Industrieüberwachung auf. Das Forschungsteam der HFU ist stolz auf die erfolgreiche Zusammenarbeit mit der Université de Haute Alsace und freut sich auf weitere Projekte mit dem französischen Partner.