Тема данной работы – Распознание «коротких» аудиосигналов на основе нейронных сетей идентификации. Целью работы является исследование возможности распознания аудиосигналов при помощи нейронной сети. Объектом работы является параллельная модель свёрточно-рекуррентной нейронной сети. Предметом работы является распознание аудиосигнала при помощи нейронной сети. В ходе работы были изучены существующие методы распознания аудиосигналов при помощи нейросетей. Также была рассмотрена актуальность данной работы в повседневной среде. В ходе работы был разработан новый подход, основанный на применении параллельной модели свёрточно-рекуррентной нейронной сети. Работа по обучению нейронной сети производилась в программной среде Google Collaboratory для языка Python 3.10.5. Для подключения аппаратного ускорения была применена библиотека keras, позволяющая распараллеливать вычислительные процессы. Для распознавания и анализа аудиосигнала была применена библиотека librosa, позволяющая считывать аудиосигналы и строить спектрограммы. Полученные в результате работы алгоритмы позволяют добиться постоянного снижения величины ошибки обучения.

The topic of this work is Recognition of "short" audio signals based on neural networks of identification. The aim of the work is to study the possibility of recognizing audio signals using a neural network. The object of the work is a parallel model of a convolutional-recurrent neural network. The subject of the work is the recognition of an audio signal using a neural network.In the course of the work, existing methods for recognizing audio signals using neural networks were studied. The relevance of this work in the daily environment was also considered. In the course of the work, a new approach was developed, based on the use of a parallel model of a convolutional recurrent neural network. The work on training the neural network was carried out in the Google Collaboratory software environment for the Python 3.10.5 language. To connect hardware acceleration, the keras library was used, which allows parallelizing computational processes. To recognize and analyze the audio signal, the librosa library was used, which allows reading audio signal and building spectrograms. The algorithms obtained as a result of the work make it possible to achieve a constant decrease in the magnitude of the learning error.