A NEW SOUND FORENSICS APPROXIMATION: AN AUTOMATED LOCATION DETECTION METHOD I?N MULTISTOREY BUILDINGS USING ENVIRONMENTAL SOUND CLASSIFICATION

Abstract

Çevresel ses sınıflandırması, geniş uygulama yelpazesi nedeniyle dijital adli tıp çalışmaları ve siber suç analizi için özel olarak tasarlanmış araştırma ve uygulamaları çekmeye devam etmiştir. [1]. Örneğin, geleneksel ortam gürültüsü sınıflandırma sistemleri, MFCC, sıfır geçiş hızı ve kısa süreli enerji gibi el yapımı çıkarılmış özelliklere bağlıdır. Ancak bu, çok katlı binalardakiler gibi konuma dayalı ses sınıflandırması için yardımcı olmayabilir. Bu tez, bu konuyu merkez-simetrik doğrusal olmayan bir desen kullanarak çözmeyi amaçlayan bir araştırma projesidir. Çok katlı bir yapının her katından ortam seslerini topladık ve bunları bir veri kümesine dönüştürdük ve herkese açık hale getirdik. Yeni bir merkez simetrik doğrusal olmayan desende özellikler oluşturmak için bir ikame kutusu (S-Box) kullanılır. Kullandığımız özellik oluşturma tekniğinden sonra CS-Lblock-Pattern modeline isim verdik. Veri kümesi, binanın on katının her biri için bir tane olmak üzere on sınıf içerir. Araştırmalarımız, SVM'yi kullanarak, çok katlı hastane veri kümeleri için% 95,38 doğruluk oranıyla iyi bir sınıflandırma doğruluğu elde edebileceğimizi göstermektedir. Sınıflandırma fazı sonuçları, ESC'nin merkez-simetrik doğrusal olmayan bir desen uygulayarak etkili sonuçlar üretebileceğini açıkça göstermektedir

Environmental sound classification has continued to attract research and applications designed specifically for digital forensic studies and cybercrime analysis because of its vast range of applications. [1]. Conventional ambient noise classification systems, for example, depend on hand-crafted extracted features such as MFCC, zero-crossing rate, and short-term energy. However, this might not help for position-based sound classification such as those in multi-storey buildings. This thesis is a research project aimed at resolving this issue using a centre-symmetric nonlinear pattern. We gathered ambient sounds from each floor of a multi-story structure, which we turned into a dataset and made publicly available. A substitution box (S-Box) is used to generate features in a new centre symmetric nonlinear pattern. After the feature generation technique we used, we dubbed the model CS-Lblock-Pattern. The dataset contains ten classes, one for each of the building's ten floors. Our investigations show that using SVM, we can get good classification accuracy for multi-storey hospital datasets, with an accuracy rate of 95.38%. The classification phase results clearly shows that ESC may produce effective results by applying a center-symmetric nonlinear pattern