{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK496",
        "title": "تشخیص وقایع صوتی بر اساس ویژگی های (MP (Matching Pursuit",
        "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": "1395",
        "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": "TK496",
        "title": "تشخیص وقایع صوتی بر اساس ویژگی های (MP (Matching Pursuit",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1395,
        "authors": [
            {
                "name": "رقیه بهمنی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین مروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "وقایع صوتی",
            "استخراج ویژگی",
            "پیگیری انطباق",
            "ضرایب کپسترال فرکانس بارک (BFCC)"
        ],
        "abstract": "در سال های اخیر تحقیقاتی روی شناسایی صداهای محیطی و وقایع صوتی صورت گرفته است اما حجم پژوهش‌ها در مقایسه با زمینه هایی همچون گفتار و موسیقی بسیار ناچیز است. هدف این پایان نامه گسترش روش های استخراج ویژگی برای شناسایی وقایع صوتی محیط اداری است. پایگاه داده ی مورد استفاده تحت عنوان D-CASE از 16 کلاس وقایع صوتی مربوط به محیط اداری تشکیل شده است که برخی از این صداها آلوده به نویزهای با نرخ سیگنال به نویز متفاوت می‌باشد. برای این مسئله، دو روش استخراج ویژگی معرفی شده است. روش اول، استفاده از ویژگی های استخراج شده توسط الگوریتم پیگیری انطباق در ترکیب با ویژگی های متداول MFCC، به عنوان بردارهای ویژگی و استفاده از طبقه بند نزدیکترین همسایگی است. نرخ شناسایی 69.67 درصد برای این روش بدست آمده، که نسبت به استفاده ی تنها از ویژگی های MFCC، 6 درصد افزایش داشته است. در روش دوم، از ضرایب کپسترال فرکانس بارک به عنوان ویژگی و طبقه بند GMM استفاده شده است. این روش، نرخ شناسایی 80.05 درصد را بدست داده که در مقایسه با بسیاری از روش های موجود برای این پایگاه داده بهبود داشته است.",
        "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_TK496.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"
    }
}