Соловйов Віктор Іванович, кандидат технічних наук, доцент, заступник зав. кафедрою Східноукраїнського національного університету ім. В. Даля, м. Сєвєродонецьк
Рибальський Олег Володимирович, доктор технічних наук, професор, головний науковий співробітник Національної академії внутрішніх справ, м. Київ
Журавель Вадим Васильович, кандидат технічних наук, зав. лабораторією Київського науково-дослідного експертно-криміналістичного центру МВС України
pages 127–133
DOI: 10.1615/JAutomatInfScien.v52.i1.30
В останнє десятиліття моделі на нейронних мережах глибокого навчання ефективно використовуються для вирішення багатьох актуальних завдань, що вимагають обробки великих масивів даних. До них відноситься важливе завдання експертизи матеріалів та апаратури цифрового звукозапису — автоматичного виявлення слідів цифрової обробки (слідів цифрового монтажу) фонограм. Монтаж фонограм проводиться в паузах мовної інформації. Тому пошук слідів цифрової обробки зводиться до знаходження ознак такого монтажу в паузах, зафіксованих на фонограмах, а сам процес слід віднести до завдання бінарної класифікації. Складність побудови такої системи полягає у тому, що, по-перше, ознаки такого монтажу надзвичайно малі і, по-друге, їх виділення з сигналів пауз відомими класичними методами обробки дуже проблематично. Основна вимога до експертного інструментарію — здатність забезпечити виділення та наочну демонстрацію ознак монтажу. При цьому експерт повинен мати внутрішнє переконання у достовірності результатів експертизи. Тому загальновизнана неможливість встановлення зв’язку як між сигналами на вході з результатами, отриманими на виході моделі, що використовується, так і процесами, що відбуваються в ній, є найважливішим чинником впливу на подальший розвиток систем судової експертизи на нейронних мережах. Автори вважають, що для деяких завдань бінарної класифікації, зокрема завдання виявлення цифрового монтажу фонограм, така можливість існує. Метою дослідження є метод виділення ознак цифрового монтажу фонограм, що задовольняє вимогам експертизи, заснований на застосуванні нейронної мережі глибокого навчання. Запропоновано виявляти паузи мови з ознаками монтажу шляхом бінарної класифікації в мережі. Додаткова обробка результатів моделювання дозволяє отримати їх графічну інтерпретацію, що забезпечує виділення в окремий масив фрагментів пауз з високою мірою ймовірності правильної класифікації. Цим забезпечується можливість створення автоматизованої системи виявлення ознак монтажу в цифрових фонограмах.
Ключові слова: великі дані, нейронна мережа глибокого навчання, бінарна класифікація, модель, монтаж, цифрова обробка фонограм, цифрова фонограма.
- Understanding machine learning: From theory to algorithms. 2014 by Shai Shalev-Shwartz and Shai Ben-David Published 2014 by Cambridge University Press, 2014. 449 р. http://www.-cs.huji.¬ac.il/~shais/UnderstandingMachineLearning
- Yoshua Bengio. Deep learnning. Lxmls 2015. Machine learnning summer shool. Portugal : Lisbon, 2015. 124 p. http://www.iro.umontreal.ca/~bengioy/dlbook/
- LeCun Y., Bengio Y., Hinton G. Deep lerning. Nature. 2015. 521, N 7553. P. 436–444.
- Goddfellow J., Bengio Y., Courville A. Deep Lerning. MIT Press 2016. http://www.deeplerning-book.org
- Рыбальский О.В., Соловьев В.И., Журавель В.В. Основные требования к системе выявления точек цифрового монтажа в фонограммах и методология ее создания. Інформатика та математичні методи в моделюванні. 2018. 8, № 3. С. 232–237.
- Рыбальский О.В., Жариков Ю.Ф. Современные методы проверки аутентичности магнитных фонограмм в судебно-акустической экспертизе. К. : НАВСУ, 2003. 300 с.
- Рибальський О.В. Застосування вейвлет-аналізу для виявлення слідів цифрової обробки аналогових і цифрових фонограм у судово-акустичній експертизі. К. : Нац. акад. внутр. справ України, 2004. 167 с.
- Рыбальский О.В., Соловьев В.И., Журавель В.В. Следы монтажа в цифровых фонограммах, выполненного способом вырезания и перестановки фрагментов. Реєстрація, зберігання і обробка даних. 2016. 18, № 1 С. 32–41.
- Рыбальский О.В., Соловьев В. И., Журавель В.В. Экспериментальная проверка эффекта изменения фрактального состава сигналов при монтаже фонограммы способом вырезания и перестановки фрагментов. Сучасна спеціальна техніка. 2016. № 3. С. 75–85.