{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK671",
        "title": "تشخیص و طبقه‌بندی خودرو   ها با استفاده از صدای انتشاری آن‌ها مبتنی بر SVM",
        "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": "1397",
        "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": "TK671",
        "title": "تشخیص و طبقه‌بندی خودرو   ها با استفاده از صدای انتشاری آن‌ها مبتنی بر SVM",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1397,
        "authors": [
            {
                "name": "فرهاد شهبازی بندانی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین مروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "شناسایی و دسته‌بندی",
            "استخراج ویژگی",
            "SVM",
            "MFCC",
            "LPC",
            "LPCC و LSF"
        ],
        "abstract": "طراحی و تولید سیستم‌های تشخیص صوت، هدف تحقیقاتی بسیاری از مراکز علمی در نیم‌قرن اخیر است. یکی از اهداف انسان در تولید چنین سیستم‌هایی مسلماً توجه به این نکته است که ورود اطلاعات و اجرای دستورات به‌صورت صوتی باعث صرفه‌جویی در وقت و هزینه و بالا رفتن کیفیت زندگی می‌شود.\r\nموضوع موردبحث در این پایان‌نامه، ارائه یک سیستم شناسایی و طبقه‌بندی هوشمند خودرو با پردازش صدای تولیدی آن است. سیستم ارائه‌شده بایستی بتواند از صدای خودرو، نوع آن را شناسایی و طبقه‌بندی نماید. اولین قدم در پیاده‌سازی این سیستم، جمع‌آوری پایگاه داده صوتی است. ازاین‌رو پایگاه داده را از 6 کلاس خودرو سواری BMW 540i، Ferrari 308، Ford Tempo، Jeep، Toyota yaris و Volvo Amazon که از هر کلاس 51 نمونه صوتی در دسترس بوده، جمع‌آوری‌ نموده‌ایم.\r\nعملکرد سیستم به این ‌صورت است که از صدای ضبط‌شده هر خودرو، چهار ویژگی مهم MFCC، LPC، LPCC و LSF با طول‌های متفاوت 13، 26 و 39 ضریب ویژگی در هر فریم را استخراج کرده و به‌عنوان ویژگی‌های مرجع خودرو مربوطه به طبقه بند SVM می‌دهد تا طبقه بند با این ویژگی‌ها آموزش ببیند. حال جهت ارزیابی، سیستم با دریافت یک صوت به‌عنوان ورودی ابتدا ویژگی‌های آن را استخراج کرده و به طبقه بند SVM می‌دهد سپس طبقه بند با مقایسه ویژگی‌های صوت ورودی با ویژگی‌های مرجع، نوع خودرو را شناسایی و طبقه‌بندی می‌کند.\r\n نتایج حاصل از پیاده‌سازی این سیستم با 75 درصد داده‌ها جهت آموزش و 25 درصد باقی‌مانده جهت ارزیابی و آزمایش طبقه بند نشان می‌دهد تکنیک LSF با دقت شناسایی میانگین 85.02% بهترین تکنیک استخراج ویژگی و روش MFCC نیز با دقت شناسایی میانگین 82.94% در رتبه بعدازآن قرار دارد. از طرفی تکنیک‌های استخراج ویژگی LPC و LPCC به ترتیب با دقت شناسایی میانگین 55.62% و 58.9% برای این سیستم شناسایی نمی‌توانند نتایج خوبی به همراه داشته باشند.",
        "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_TK671.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"
    }
}