Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм
На модели нейронной сети глубокого обучения обоснована и проверена принципиальная пригодность данной сети для создания высокоэффективного экспертного инструментария, предназначенного для выявления следов цифровой обработки в фонограммах. Эксперимент проведен на большом объеме (более 100 000) экспери...
Saved in:
| Published in: | Кибернетика и системный анализ |
|---|---|
| Date: | 2020 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2020
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/190372 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм / В.И. Соловьев, О.В. Рыбальский, В.В. Журавель // Кибернетика и системный анализ. — 2020. — Т. 56, № 2. — С. 182–188. — Бібліогр.: 25 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859631482159497216 |
|---|---|
| author | Соловьев, В.И. Рыбальский, О.В. Журавель, В.В. |
| author_facet | Соловьев, В.И. Рыбальский, О.В. Журавель, В.В. |
| citation_txt | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм / В.И. Соловьев, О.В. Рыбальский, В.В. Журавель // Кибернетика и системный анализ. — 2020. — Т. 56, № 2. — С. 182–188. — Бібліогр.: 25 назв. — рос. |
| collection | DSpace DC |
| container_title | Кибернетика и системный анализ |
| description | На модели нейронной сети глубокого обучения обоснована и проверена принципиальная пригодность данной сети для создания высокоэффективного экспертного инструментария, предназначенного для выявления следов цифровой обработки в фонограммах. Эксперимент проведен на большом объеме (более 100 000) экспериментальных фрагментов необработанных пауз фонограмм и пауз со следами обработки, полученных в автоматическом режиме. Найденные зависимости показали, что при пороге вероятности свыше 0,55 правильной бинарной классификации пауз возникает возможность построения высокоэффективного инструментария экспертизы.
На моделі нейронної мережі глибокого навчання обґрунтовано і перевірено принципову придатність такої мережі для створення високоефективного експертного інструментарію, призначеного для виявлення слідів цифрового оброблення у фонограмах. Експеримент проведено на великому обсязі (більше 100000) експериментальних фрагментів необроблених пауз фонограм і пауз із слідами оброблення, отриманих в автоматичному режимі. Отримані залежності показали, що за порогу ймовірності понад 0.55 правильної бінарної класифікації пауз виникає можливість побудови високоефективного інструментарію експертизи.
On the model of a deep learning neuron network, the authors substantiate and verify ptincipal applicability of such network to create a highly efficient expert tool intended to detect traces of digital treatment in phonograms. An experiment is conducted on a large volume (more than 100,000) of experimental fragments of untilled pauses of phonograms and pauses with traces of treatment, obtained in the automatic mode. The obtained dependences showed that for the probability threshold over 0.55 correct binary classification of pauses there is a possibility of constructing a highly efficient tool of examination.
|
| first_indexed | 2025-12-07T13:11:22Z |
| format | Article |
| fulltext |
Â.È. ÑÎËÎÂÜÅÂ, Î.Â. ÐÛÁÀËÜÑÊÈÉ, Â.Â. ÆÓÐÀÂÅËÜ
ÓÄÊ 621.317+681.849 ÎÁÎÑÍÎÂÀÍÈÅ ÏÐÈÍÖÈÏÈÀËÜÍÎÉ
ÂÎÇÌÎÆÍÎÑÒÈ ÏÐÈÌÅÍÅÍÈß ÍÅÉÐÎÍÍÛÕ
ÑÅÒÅÉ ÃËÓÁÎÊÎÃÎ ÎÁÓ×ÅÍÈß
ÄËß ÏÎÑÒÐÎÅÍÈß ÑÈÑÒÅÌÛ ÂÛßÂËÅÍÈß
ÑËÅÄÎÂ ÖÈÔÐÎÂÎÉ ÎÁÐÀÁÎÒÊÈ ÔÎÍÎÃÐÀÌÌ
Àííîòàöèÿ. Íà ìîäåëè íåéðîííîé ñåòè ãëóáîêîãî îáó÷åíèÿ îáîñíîâàíà è
ïðîâåðåíà ïðèíöèïèàëüíàÿ ïðèãîäíîñòü äàííîé ñåòè äëÿ ñîçäàíèÿ âûñîêî-
ýôôåêòèâíîãî ýêñïåðòíîãî èíñòðóìåíòàðèÿ, ïðåäíàçíà÷åííîãî äëÿ âûÿâëå-
íèÿ ñëåäîâ öèôðîâîé îáðàáîòêè â ôîíîãðàììàõ. Ýêñïåðèìåíò ïðîâåäåí íà
áîëüøîì îáúåìå (áîëåå 100000) ýêñïåðèìåíòàëüíûõ ôðàãìåíòîâ íåîáðàáî-
òàííûõ ïàóç ôîíîãðàìì è ïàóç ñî ñëåäàìè îáðàáîòêè, ïîëó÷åííûõ â àâòî-
ìàòè÷åñêîì ðåæèìå. Íàéäåííûå çàâèñèìîñòè ïîêàçàëè, ÷òî ïðè ïîðîãå âå-
ðîÿòíîñòè ñâûøå 0.55 ïðàâèëüíîé áèíàðíîé êëàññèôèêàöèè ïàóç âîçíèêàåò
âîçìîæíîñòü ïîñòðîåíèÿ âûñîêîýôôåêòèâíîãî èíñòðóìåíòàðèÿ ýêñïåðòèçû.
Êëþ÷åâûå ñëîâà: íåéðîííàÿ ñåòü ãëóáîêîãî îáó÷åíèÿ, òî÷êè ìîíòàæà,
öèôðîâàÿ îáðàáîòêà ôîíîãðàììû, öèôðîâàÿ ôîíîãðàììà, öèôðîâîé ìîíòàæ,
ýêñïåðòèçà.
Îäíîé èç íàèáîëåå âàæíûõ ïðîáëåì ýêñïåðòèçû ìàòåðèàëîâ è àïïàðàòóðû
çâóêîçàïèñè ÿâëÿåòñÿ ïðîâåðêà îòñóòñòâèÿ (èëè íàëè÷èÿ) ñëåäîâ öèôðîâîé îá-
ðàáîòêè â ôîíîãðàììàõ. Îíà âîçíèêëà ñ íà÷àëîì øèðîêîãî èñïîëüçîâàíèÿ àï-
ïàðàòóðû öèôðîâîé çâóêîçàïèñè (ÀÖÇÇ). Ñóùåñòâóåò íåñêîëüêî íàïðàâëåíèé
ñîçäàíèÿ èíñòðóìåíòàðèÿ äëÿ ðåøåíèÿ ýòîé ïðîáëåìû.
Îäíî èç íèõ — ðàçâèâàåìîå âî Ôðàíöèè, Âåëèêîáðèòàíèè, Ðîññèè, Áðàçè-
ëèè, Ïîëüøå, Èñïàíèè è Ðóìûíèè, îñíîâàíî íà âûäåëåíèè è èññëåäîâàíèè ðåãó-
ëÿðíûõ ñïåêòðàëüíûõ êîìïîíåíòîâ èç çàïèñàííûõ ñèãíàëîâ [1–14]. Ïðè ýòîì
â áîëüøèíñòâå èíñòðóìåíòîâ, ðàçðàáîòàííûõ íà îñíîâå ýòîãî íàïðàâëåíèÿ, âûäå-
ëÿþò ñïåêòðàëüíûå ñîñòàâëÿþùèå, îáðàçóþùèåñÿ çà ñ÷åò ýëåêòðîìàãíèòíûõ ñå-
òåâûõ íàâîäîê íà àïïàðàòóðó çàïèñè. Îäíàêî â ñîâðåìåííîé ÀÖÇÇ îíè, êàê ïðà-
âèëî, îòñóòñòâóþò â çàïèñûâàåìûõ öèôðîâûõ ñèãíàëàõ. Êðîìå òîãî, âåñü òàêîé
èíñòðóìåíòàðèé äëÿ âûäåëåíèÿ ðåãóëÿðíûõ ñïåêòðàëüíûõ êîìïîíåíòîâ èñïîëü-
çóåò êðàòêîâðåìåííîå ïðåîáðàçîâàíèå Ôóðüå, ðàçðåøàþùàÿ ñïîñîáíîñòü êîòîðî-
ãî íå ïîçâîëÿåò âûÿâëÿòü ñëåäû öèôðîâîé îáðàáîòêè ôîíîãðàìì ââèäó èõ ÷ðåç-
âû÷àéíîé ìàëîñòè [15]. Ïîýòîìó ýôôåêòèâíîñòü òàêîãî èíñòðóìåíòàðèÿ íå îáåñ-
ïå÷èâàåò äîñòàòî÷íîé äîñòîâåðíîñòè ðåçóëüòàòîâ ýêñïåðòèçû.
Ïðè ýòîì äëÿ áîëüøèíñòâà ïðåäëîæåííûõ ðåøåíèé îáÿçàòåëüíî ïðîâåäåíèå
ñðàâíèòåëüíûõ èññëåäîâàíèé ïàðàìåòðîâ îáðàçöîâûõ (ýêñïåðèìåíòàëüíûõ)
è ñïîðíûõ (ïðåäñòàâëåííûõ íà ýêñïåðòèçó) ôîíîãðàìì. Ïîýòîìó äëÿ çàïèñè îá-
ðàçöîâûõ ôîíîãðàìì òðåáóåòñÿ ïðîâîäèòü ýêñïåðòèçó àïïàðàòóðû, íà êîòîðîé
çàïèñûâàëèñü ñïîðíûå ôîíîãðàììû, ÷òî ÷àñòî âîîáùå íå âûïîëíèìî ââèäó ðÿäà
ñïåöèôè÷åñêèõ îáñòîÿòåëüñòâ [16].
182 ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2
© Â.È. Ñîëîâüåâ, Î.Â. Ðûáàëüñêèé, Â.Â. Æóðàâåëü, 2020
Êðîìå òîãî, øèðîêî èñïîëüçóåìûé â ñòðàíàõ ÅÑ ìåòîä, îñíîâàííûé íà ïðî-
âåðêå ÷àñòîòû (èëè ôàçû) ñèãíàëà ñåòåâîé íàâîäêè, çàôèêñèðîâàííîãî â ôîíîã-
ðàììå, èìååò ðÿä ñóùåñòâåííûõ íåäîñòàòêîâ. ×àñòî îí íå ïîçâîëÿåò âûÿâëÿòü
ñëåäû öèôðîâîé îáðàáîòêè (ìîíòàæà), âûïîëíåííîé ìåòîäîì âûðåçàíèÿ è ïåðå-
ñòàíîâêè (ñ èñïîëüçîâàíèåì ïàóç â ðå÷åâûõ ñèãíàëàõ) ôðàãìåíòîâ îäíîé
ôîíîãðàììû [17]. Òàêèå ñëåäû íàèáîëåå ñëîæíû äëÿ îáíàðóæåíèÿ ýêñïåðòèçîé.
Èíñòðóìåíòàðèé âûÿâëåíèÿ ñëåäîâ âíåøíèõ âìåøàòåëüñòâ ïûòàëèñü ïîñòðîèòü
íà ïðèíöèïå ðàññìîòðåíèÿ öèôðîâîé ôîíîãðàììû êàê öèôðîâîãî ôàéëà ñî ñâîèìè
àòðèáóòàìè, ïî ìåòàäàííûì êîòîðîãî ïðîâîäèòñÿ ýêñïåðòíûé àíàëèç [18]. Ýòî íà-
ïðàâëåíèå ââèäó ñâîåé îãðàíè÷åííîñòè íå îáåñïå÷èâàåò äîñòîâåðíîñòè ýêñïåðòíûõ
ðåøåíèé, ïðèíèìàåìûõ íà îñíîâàíèè åãî èñïîëüçîâàíèÿ, ïîýòîìó îí øèðîêî íå
ïðèìåíÿåòñÿ â ýêñïåðòèçå è èíîãäà èñïîëüçóåòñÿ êàê âñïîìîãàòåëüíûé.
Ðàçðàáîòêà åùå îäíîãî íàïðàâëåíèÿ ñîçäàíèÿ òàêîãî èíñòðóìåíòàðèÿ íà÷à-
ëàñü ñ òåîðåòè÷åñêîãî îñìûñëåíèÿ ïðîöåññîâ, ïðîèñõîäÿùèõ ïðè çàïèñè è öèôðî-
âîé îáðàáîòêå ôîíîãðàìì [19]. Óñòàíàâëèâàëèñü èñòî÷íèêè âîçíèêíîâåíèÿ ïàðà-
çèòíûõ ÿâëåíèé, ïðîèñõîäÿùèõ ïðè öèôðîâîé çàïèñè, îáùèå äëÿ âñåõ âèäîâ
ÀÖÇÇ, ÷òî ïîçâîëÿëî óñòàíîâèòü ñòðîãî èíäèâèäóàëüíûé õàðàêòåð èñêàæåíèé,
âíîñèìûõ â ñèãíàëû êàæäûì êîíêðåòíûì ýêçåìïëÿðîì òàêîé àïïàðàòóðû. Ýòî íà-
ïðàâëåíèå ýêñïåðòèçû îñíîâàíî íà ñòðîãîé èíäèâèäóàëüíîñòè ïàðàçèòíûõ ÿâëå-
íèé â ÀÖÇÇ, ôèêñèðóåìûõ â ñîáñòâåííûõ øóìàõ ôîíîãðàìì [15, 19]. Îíî ðàçâèâà-
åòñÿ íà ïðîòÿæåíèè âñåõ ïîñëåäíèõ ëåò, ÷òî îáóñëîâëåíî ïåðñïåêòèâîé ñîçäàíèÿ
ýôôåêòèâíîãî ýêñïåðòíîãî èíñòðóìåíòàðèÿ äëÿ âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðà-
áîòêè â ôîíîãðàììàõ. Â ïðîöåññå åãî èññëåäîâàíèÿ áûëè ðàçðàáîòàíû îñíîâû òåî-
ðèè âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðàáîòêè ôîíîãðàìì, ïðåäëîæåíû ïóòè è ñïîñî-
áû ðåøåíèÿ ïðîáëåìû, îáåñïå÷èâàþùèå âûñîêóþ ñòåïåíü ýôôåêòèâíîñòè îáíàðó-
æåíèÿ ìîíòàæà â ôîíîãðàììàõ [20].
 ÷àñòíîñòè, â ðÿäå ðàáîò àâòîðîâ ðàññìàòðèâàëèñü íåêîòîðûå ìîäåëè ïðî-
ÿâëåíèÿ â ñèãíàëàõ ñëåäîâ öèôðîâîé îáðàáîòêè ôîíîãðàìì, âûïîëíåííîé ñïîñî-
áîì âûðåçàíèÿ è ïåðåñòàíîâêè ôðàãìåíòîâ [21]. Çàòåì ýêñïåðèìåíòàëüíî äîêà-
çûâàëîñü, ÷òî ñëåäû òàêîé îáðàáîòêè ïðîÿâëÿþòñÿ â âèäå èçìåíåíèé ôðàêòàëü-
íîãî ñîñòàâà ìîíòèðóåìûõ ñèãíàëîâ. Îòìå÷àëîñü, ÷òî õîòÿ òàêèå ïðîÿâëåíèÿ
è èìåþòñÿ, íî âûäåëèòü èõ â âèäå êîíêðåòíûõ ïðèçíàêîâ íåâîçìîæíî áåç ïðîâå-
äåíèÿ îáøèðíûõ èññëåäîâàíèé, äëÿ ÷åãî íåîáõîäèìî ñîçäàòü ñïåöèàëüíîå ïðî-
ãðàììíîå îáåñïå÷åíèå [22, 23]. Äàëüíåéøèé ïîèñê íàïðàâëåíèÿ ñîçäàíèÿ òàêèõ
ïðîãðàìì ïîêàçàë, ÷òî íàèáîëåå ïåðñïåêòèâíî èñïîëüçîâàíèå íåéðîííûõ ñåòåé
ãëóáîêîãî îáó÷åíèÿ [24].
Îòìåòèì, ÷òî äî íàñòîÿùåãî âðåìåíè â ïóáëèêàöèÿõ ïî ýòîé òåìàòèêå ïðàê-
òè÷åñêè íå ïðèâîäÿòñÿ âåëè÷èíû îöåíêè ýôôåêòèâíîñòè ðàçëè÷íûõ ìåòîäîâ âû-
ÿâëåíèÿ ñëåäîâ öèôðîâîé îáðàáîòêè â ôîíîãðàììàõ. Ýòî íå ïîçâîëÿåò êà÷åñ-
òâåííî ïðîàíàëèçèðîâàòü õàðàêòåðèñòèêè òàêèõ ñèñòåì.
Öåëüþ íàñòîÿùåé ðàáîòû ÿâëÿåòñÿ ýêñïåðèìåíòàëüíàÿ ïðîâåðêà âîçìîæíîñòè
ñîçäàíèÿ ýôôåêòèâíîé ñèñòåìû, ïîñòðîåííîé íà îñíîâå íåéðîííîé ñåòè ãëóáîêîãî
îáó÷åíèÿ, ïðåäíàçíà÷åííîé äëÿ âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðàáîòêè ôîíîãðàìì.
 íàñòîÿùåå âðåìÿ íå ñóùåñòâóåò íàó÷íî-îáîñíîâàííîãî ïîäõîäà, êîòîðûé
ïîçâîëèë áû ïðèìåíÿòü åäèíóþ ìåòîäîëîãèþ âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðà-
áîòêè â ôîíîãðàììàõ. Îòìåòèì, ÷òî ïîäîáíàÿ ìåòîäîëîãèÿ äîëæíà áàçèðîâàòüñÿ
íà áîëüøîì îáúåìå ýêñïåðèìåíòàëüíûõ äàííûõ. Îäíàêî àïðîáàöèÿ ýêñïåðòàìè
ëþáîãî ïðåäëàãàåìîãî ïîäõîäà ñ ó÷åòîì áîëüøîãî ìàññèâà ñòàòèñòè÷åñêèõ äàí-
íûõ â ðåæèìå «ðó÷íîãî èññëåäîâàíèÿ» ïðàêòè÷åñêè íåðåàëèçóåìà. Òàêàÿ ïðîâåð-
êà íåîáõîäèìà äëÿ âûÿñíåíèÿ, ïðèãîäíî ëè â ïðèíöèïå âûáðàííîå íàïðàâëåíèå.
Ñóòü ýòîé ïðîâåðêè ñîñòîèò â èññëåäîâàíèè ñïîñîáíîñòè òàêèõ ñèñòåì âûÿâëÿòü
ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2 183
ñìîíòèðîâàííûå ïàóçû. Äëÿ ýòîãî â çâóêîâîì ðåäàêòîðå èç ôîíîãðàìì, çàïèñàí-
íûõ íà ðàçëè÷íîé ÀÖÇÇ, â «ðó÷íîì ðåæèìå» ïðîâîäèëñÿ ïðåäâàðèòåëüíûé îòáîð
ïàóç äëèòåëüíîñòüþ îò 100 ìñ äî íåñêîëüêèõ ñåêóíä. Îòáèðàëèñü ïðèáëèçèòåëü-
íî 1000 òàêèõ ïàóç (ïðè ÷àñòîòå äèñêðåòèçàöèè 44.1 êÃö), êîòîðûå è ñîñòàâèëè
èñõîäíóþ áàçó ýêñïåðèìåíòà. Èç îòîáðàííûõ ïàóç â àâòîìàòè÷åñêîì (êîìïüþ-
òåðíîì) ðåæèìå ôîðìèðîâàëñÿ ìàññèâ ôðàãìåíòîâ ïàóç. Äëÿ ýòîãî îíè ñêàíèðî-
âàëèñü îêíîì äëèòåëüíîñòüþ 15–30 ìñ ñ èíòåðâàëîì 1 ìñ è âûðåçàëèñü ôðàãìåí-
òû äàííîé äëèòåëüíîñòè. Òàêèì îáðàçîì, ôîðìèðîâàëèñü ìàññèâû ôðàãìåíòîâ
ïàóç ðàçëè÷íîé äëèòåëüíîñòè ðàçìåðíîñòüþ ïðèáëèçèòåëüíî 100000. Äëÿ ôîðìè-
ðîâàíèÿ ìàññèâà ôðàãìåíòîâ ïàóç ñî ñëåäàìè öèôðîâîé îáðàáîòêè ñëó÷àéíûì
îáðàçîì âûáðàííûå ïàóçû äåëèëèñü íà ÷àñòè â ïðîèçâîëüíîì ñîîòíîøåíèè. Ïîñ-
ëå ÷åãî èç ïîëó÷åííûõ ÷àñòåé ôîðìèðîâàëèñü íîâûå ïàóçû ñ çàôèêñèðîâàííûì
ìåñòîì ìîíòàæà. Çàòåì ñêàíèðîâàíèåì ýòèõ ïàóç âðåìåííûì îêíîì èç çîíû ëî-
êàëèçàöèè ìîíòàæà âûðåçàëèñü ôðàãìåíòû ïàóç ñî ñëåäàìè îáðàáîòêè îäèíàêî-
âîé äëèòåëüíîñòè. Ðàçìåðíîñòü ìàññèâà ôðàãìåíòîâ ïàóç ñ ìîíòàæîì ñîñòàâëÿëà
ïðèáëèçèòåëüíî 100000.
Óïîìÿíóòûå ìàññèâû ôðàãìåíòîâ ïàóç ñ îáðàáîòêîé è áåç íåå ÿâèëèñü èñ-
õîäíûìè ìàññèâàìè (dataset) äëÿ îáó÷åíèÿ íåéðîííîé ñåòè.
Èññëåäîâàíèÿ â îáëàñòè ðå÷åâûõ òåõíîëîãèé è îáðàáîòêè àóäèîèíôîðìàöèè
ïîêàçàëè âûñîêóþ ýôôåêòèâíîñòü ïîëíîñâÿçíûõ ñåòåé ãëóáîêîãî îáó÷åíèÿ [25].
Ïîýòîìó äëÿ ýêñïåðèìåíòà ðàçðàáàòûâàëàñü ïðîãðàììíàÿ ñèñòåìà, ðåàëèçóþùàÿ
ñòðóêòóðíóþ ìîäåëü íåéðîííîé ñåòè. Îíà áàçèðîâàëàñü íà áèáëèîòåêå ãëóáîêîãî
îáó÷åíèÿ íåéðîííûõ ñåòåé keras (backend tensorflow). Ïðèìåíÿëàñü ïîëíîñâÿçíàÿ
íåéðîííàÿ ñåòü äî 50 íåéðîííûõ ñëîåâ ñ ïðîðåæèâàíèåì (dropout) è ïàêåòíîé
íîðìàëèçàöèåé. Ðåøàëàñü çàäà÷à áèíàðíîé êëàññèôèêàöèè íà ìàññèâå dataset.
 ïðîèëëþñòðèðîâàííûõ äàëåå ýêñïåðèìåíòàõ ôðàãìåíòû ìàññèâîâ ïàóç äëè-
òåëüíîñòüþ 20 ìñ èìåëè ðàçìåðíîñòü 882.
Îáùèé ìàññèâ âñåõ ôðàãìåíòîâ ïàóç äåëèëñÿ íà òðåíèðîâî÷íûé è òåñòîâûé.
 êà÷åñòâå êðèòåðèÿ ïðèìåíÿëàñü íàèáîëüøàÿ ýôôåêòèâíîñòü, äîñòèãàåìàÿ íà
òåñòîâîì ìàññèâå â ïðîöåññå îáó÷åíèÿ.
 îáùåì ñëó÷àå ýòà ýôôåêòèâíîñòü îïðåäåëÿåòñÿ íàèáîëüøåé âåëè÷èíîé âå-
ðîÿòíîñòè ïðàâèëüíîé êëàññèôèêàöèè ôðàãìåíòîâ ñ îáðàáîòêîé è áåç íåå.
Ïðîöåññ ïðîâåäåíèÿ ýêñïåðèìåíòà ñ èñïîëüçîâàíèåì íåéðîííîé ñåòè ãëóáî-
êîãî îáó÷åíèÿ ïðîèëëþñòðèðîâàí íà ðèñ. 1, 2. Ðåçóëüòàò, äîñòèãíóòûé ñåòüþ íà
îáó÷àþùåì ìàññèâå, ïîêàçàí íà ðèñ. 1, çäåñü ýôôåêòèâíîñòü, äîñòèãíóòàÿ íà áàçå
îáó÷åíèÿ çà 575 ýïîõ, ñîñòàâëÿåò 0.85. Òàêîé ðåçóëüòàò ïîëó÷åí â ïðîöåññå îáó÷å-
íèÿ íà êîìïüþòåðå ñ ãðàôè÷åñêèì àäàïòåðîì (GPU). Íà òåñòîâîì ìàññèâå ìàêñè-
ìàëüíàÿ ýôôåêòèâíîñòü ñîñòàâëÿåò 0.76 (ñì. ðèñ. 1).
184 ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2
Ðèñ. 1. Ãðàôèê ýôôåêòèâíîñòè îáó÷åíèÿ
Ý
ô
ô
åê
òè
â
í
î
ñò
ü
Ýïîõà
Íà ðèñ. 2 ïîêàçàíû ãðàôèêè äëÿ òðåíèðîâî÷íîãî è òåñòîâîãî ìàññèâîâ ôðàã-
ìåíòîâ ïàóç. Â ðàìêàõ ïðîâåäåííîé îïòèìèçàöèè ñåòè äîñòèãíóòà ýôôåêòèâíîñòü
êëàññèôèêàöèè 0.76. Ýòà âåðîÿòíîñòü, áåçóñëîâíî, íå ìîæåò ÿâëÿòüñÿ ïðåäåëüíîé
ââèäó ìíîãîîáðàçèÿ âàðèàíòîâ îïòèìèçàöèè. Òàê, â ÷àñòíîñòè, êàê ïîêàçûâàþò
ïðåäâàðèòåëüíûå ýêñïåðèìåíòû, ñóùåñòâåííîå ïîâûøåíèå ðàçìåðíîñòè ìàññè-
âîâ ôðàãìåíòîâ ïàóç è, êàê ñëåäñòâèå, âîçìîæíîñòü óâåëè÷åíèÿ ñëîæíîñòè íåé-
ðîííîé ñåòè ïîçâîëÿþò óâåëè÷èòü ýôôåêòèâíîñòü.
Îäíàêî â ïîäîáíûõ çàäà÷àõ âðÿä ëè ìîæíî îæèäàòü òàêîé æå âûñîêîé ýô-
ôåêòèâíîñòè êëàññèôèêàöèè, êàê, íàïðèìåð, â çàäà÷àõ êëàññèôèêàöèè èçîáðàæå-
íèé (0.99).  òî æå âðåìÿ ñòðóêòóðà çàäà÷è ïîçâîëÿåò ïðåäëîæèòü ðàöèîíàëüíûå
ðåøåíèÿ, êîòîðûå ìîæíî ïðèìåíÿòü â çàäà÷àõ âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðà-
áîòêè â ôîíîãðàììàõ. Êëþ÷åâûì ìîìåíòîì â ðåøåíèè äàííîé çàäà÷è ÿâëÿåòñÿ
ââåäåíèå ïîíÿòèÿ «ïîðîãîâàÿ âåðîÿòíîñòü».
 çàäà÷àõ êëàññèôèêàöèè îáó÷åííàÿ ìîäåëü ïîçâîëÿåò ïîëó÷àòü çíà÷åíèå âå-
ëè÷èíû âåðîÿòíîñòè ïðàâèëüíîé êëàññèôèêàöèè. Êàê ïîêàçûâàåò àíàëèç, ïðèáëè-
çèòåëüíî 30 % ôðàãìåíòîâ ïàóç èìåþò âåðîÿòíîñòü ïðàâèëüíîé êëàññèôèêàöèè
íèæå çíà÷åíèÿ 0.55. Ïðè ïðåâûøåíèè ýòîãî ïîðîãà âåðîÿòíîñòè ïðàâèëüíîé êëàñ-
ñèôèêàöèè ðåçêî âîçðàñòàþò è äîñòèãàþò çíà÷åíèÿ 0.99 è âûøå. Òàê, íà ðèñ. 3, 4
ïðèâåäåíû ãðàôèêè çàâèñèìîñòåé âåðîÿòíîñòè ïðàâèëüíîé êëàññèôèêàöèè è ïðî-
ãíîçèðóåìûõ âåðîÿòíîñòåé îøèáîê êëàññèôèêàöèè îò ïîðîãîâîé âåðîÿòíîñòè.
ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2 185
Ðèñ. 3. Ãðàôèêè âåðîÿòíîñòè ïðàâèëüíîé êëàññèôèêàöèè: êðèâàÿ 1 — «÷èñòûå» ïàóçû, êðèâàÿ 2 —
ïàóçû ñ ìîíòàæîì
Â
åð
î
ÿ
òí
î
ñò
ü
Ïîðîã
1
2
Ðèñ. 2. Ãðàôèêè ýôôåêòèâíîñòè îáó÷åíèÿ: êðèâàÿ 1 — òðåíèðîâî÷íûé ìàññèâ, êðèâàÿ 2 — òåñòîâûé
ìàññèâ
Ýïîõà
Ý
ô
ô
åê
òè
â
í
î
ñò
ü
1
2
Îòìåòèì, ÷òî çíà÷åíèÿ âåðîÿòíîñòè 0 è 1, ïðèâåäåííûå íà ãðàôèêàõ
(ñì. ðèñ. 3, 4), â ðåàëüíîñòè ÿâëÿþòñÿ ïðèáëèæåííûìè ê íèì î÷åíü áëèçêèìè
çíà÷åíèÿìè.
 âåñüìà ñïåöèôè÷åñêèõ çàäà÷àõ ïðàêòè÷åñêîãî âûÿâëåíèÿ ñëåäîâ öèôðîâî-
ãî ìîíòàæà â ôîíîãðàììàõ ìîæíî óñòàíîâèòü âûñîêóþ ïîðîãîâóþ âåðîÿòíîñòü,
íàïðèìåð, ðàâíóþ 0.9. Ïðè ýòîì âåðîÿòíîñòü ïðàâèëüíîé êëàññèôèêàöèè áóäåò
íå íèæå 0.99. Îäíàêî íà ïðàêòèêå äëÿ ýòîé çàäà÷è è òàêàÿ âåðîÿòíîñòü íåäîñòà-
òî÷íà. Òàê, íà ôðàãìåíòàõ ïàóç áåç ìîíòàæà îáùåé äëèòåëüíîñòüþ 1 ñ ïðè òàêîé
âåðîÿòíîñòè ïðàâèëüíîé êëàññèôèêàöèè âîçìîæíû 10 ëîæíûõ ðåçóëüòàòîâ.
Îòìåòèì, ÷òî ââåäåíèå ïîðîãîâîé âåðîÿòíîñòè ïðè ðåøåíèè ïðàêòè÷åñêèõ
çàäà÷ ýêñïåðòèçû ñîîòâåòñòâóåò ïðîïóñêó ôðàãìåíòîâ ïàóç ñ ïðèçíàêàìè ñëåäîâ
îáðàáîòêè è ëîæíûõ ñðàáàòûâàíèé ñ íèçêîé âåðîÿòíîñòüþ. Â òî æå âðåìÿ ýòî ñî-
îòâåòñòâóåò ïðèðîäå èññëåäóåìîãî îáúåêòà (ïàóç). Ýòî îáóñëîâëåíî òåì, ÷òî è
â ïàóçàõ áåç îáðàáîòêè, êàê ïðàâèëî, ìîãóò âîçíèêàòü âûáðîñû ìàëîãî óðîâíÿ.
Ïðîâåäåííûå ýêñïåðèìåíòàëüíûå èññëåäîâàíèÿ ïîêàçàëè ïðèãîäíîñòü íåé-
ðîííûõ ñåòåé ãëóáîêîãî îáó÷åíèÿ äëÿ ïîñòðîåíèÿ ñèñòåìû âûÿâëåíèÿ ñëåäîâ
öèôðîâîé îáðàáîòêè â ôîíîãðàììàõ. Ïåðñïåêòèâíîñòü ïðèìåíåíèÿ òàêèõ ñåòåé
ñîñòîèò â âîçìîæíîñòè äàëüíåéøåãî óñîâåðøåíñòâîâàíèÿ èõ êîíôèãóðàöèè, ÷òî
ïîçâîëÿåò ðàññ÷èòûâàòü íà äîñòèæåíèå âûñîêîé ýôôåêòèâíîñòè îïèñàííîé
ñèñòåìû. Îäíàêî ìåòîäû òàêèõ óñîâåðøåíñòâîâàíèé òðåáóþò îòäåëüíîãî
ðàññìîòðåíèÿ.
ÑÏÈÑÎÊ ËÈÒÅÐÀÒÓÐÛ
1. ENFSI working group for forensic speech and audio analysis. URL: hppt://www.ånfsi.eu/
about-enfsi/structure/working-groups/speech-and-àudio.
2. Korycki R. Methods of time-frequency analysis in authentication of digital audio recordings. INTL
Journal of Electronics and Telecommunications. 2010. Vol. 56, N 3. P. 257–261.
3. Nicolalde D.P., Apolinario J.A. Evaluating digital audio authenticity with spectral distances and ENF
phase change. Proc. IEEE International Conference on Acoustics, Speech and Signal Processing,
2009. P. 1417–1420.
4. Nicolalde D.P., Apolinario J.A., Biscainho L.W.P. Audio authenticity: Detecting ENF discontinuity
with high precision phase analysis. IEEE Transactions on Information Forensics and Security. 2010.
Vol. 5, Iss. 3. P. 534–543.
5. Rappaport D. Establishing a standard for digital audio authenticity: A critical analysis of tools,
methodologies, and challenges. Thesis directed by Catalin Grigoras. URL: http://aquarius.ime.eb.br
/~apolin/papers/IEEETIFS2010Daniel.pdf.
186 ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2
Ðèñ. 4. Ãðàôèêè ïðîãíîçèðóåìûõ âåðîÿòíîñòåé îøèáîê êëàññèôèêàöèè: êðèâàÿ 1 — «÷èñòûå» ïàóçû,
êðèâàÿ 2 — ïàóçû ñ ìîíòàæîì
Ïîðîã
Â
åð
î
ÿ
òí
î
ñò
ü
2
1
6. Cooper A.J. An automated approach to the Electric Network Frequency (ENF) criterion — Theory
and practice. International Journal of Speech Language and the Law. 2009. Vol. 16, N 2.
P. 193–218.
7. Huijbregtse M., Geradts Z. Using the ENF criterion for determining the time of recording of short
digital audio recordings. In: Computational Forensics. IWCF 2009. Lecture Notes in Computer
Science. Geradts Z.J.M.H., Franke K.Y., Veenman C.J. (Eds). 2009. Vol. 5718. P. 116–124.
8. Catalin G. Statistical tools for multimedia forensics. The 39th AES International Conference Audio
Forensics: Practices and Challenges (June 17, 2010), Hillerod, Denmark, 2010.
9. Jenkins C.W. An investigative approach to configuring forensic electric network frequency
databases. Master’s Thesis, University of Colorado Denver, 2011.
10. Brixen E. Audio metering measurements, Standards and practices. Second ed. Oxford, United
Kingdom: Focal Press, 2011. 264 p.
11. Cooper A.J. Detection of copies of digital audio recordings produced using analogue interfacing.
International Journal of Speech, Language, and the Law. 2008. Vol. 15, N 1. Ð. 67–95.
12. Grigoras C., Smith J.M., Jenkins C.W. Advances in ENF database configuration for forensic
authentication of digital media. 131st Convention of the Audio Engineering Society (October 20–23,
2011), New York, 2011.
13. Moon C.-B., Kim H., Kim B.M. Audio recorder identification using reduced noise features. In:
Ubiquitous Information Technologies and Applications. Lecture Notes in Electrical Engineering.
Berlin; Heidelberg: Springer, 2014. Vol. 280. P. 35–42.
14. Aggarwal R., Singh S., Roul A.K., Khanna N. Cellphone identification using noise estimates from
recorded audio. In: Communications and Signal Proc. (ICCSP), 2014 International Conference on.
IEEE. 2014, P. 1218–1222.
15. Ðèáàëüñüêèé Î.Â. Çàñòîñóâàííÿ âåéâëåò-àíàë³çó äëÿ âèÿâëåííÿ ñë³ä³â öèôðîâî¿ îáðîáêè àíà-
ëîãîâèõ ³ öèôðîâèõ ôîíîãðàì ó ñóäîâî-àêóñòè÷í³é åêñïåðòèç³. Êè¿â: Íàö. àêàä. âíóòð. ñïðàâ
Óêðà¿íè, 2004. 167 ñ.
16. Æóðàâåëü Â.Â. Îñîáåííîñòè ôîðìèðîâàíèÿ ôîíîãðàìì, çàïèñàííûõ ñ òåëåôîííûõ êàíàëîâ.
Ñó÷àñíà ñïåö³àëüíà òåõí³êà. 2015. ¹ 4 (43). Ñ. 26–31.
17. Ðûáàëüñêèé Î. Ìîäåëè íåñòàíäàðòíîé ïîääåëêè öèôðîâûõ ôîíîãðàìì. Ðåºñòðàö³ÿ,
çáåð³ãàííÿ ³ îáðîáêà äàíèõ. 2003. Ò. 5, ¹ 4. Ñ. 25–32.
18. Áîáðèöüêèé Ñ.Ì., Ñòîðîæåíêî Ñ.Â. Äîñë³äæåííÿ îçíàê ìîíòàæó çàïèñ³â, âèêîíàíèõ öèôðîâè-
ìè çàïèñóþ÷èìè ïðèñòðîÿìè. Çá. íàóê. ïðàöü «Òåîð³ÿ òà ïðàêòèêà ñóäîâî¿ åêñïåðòèçè ³
êðèì³íàë³ñòèêè». Õàðê³â: Ïðàâî, 2011. Âèï. 11. Ñ. 353–361.
19. Ðûáàëüñêèé Î.Â., Æàðèêîâ Þ.Ô. Ñîâðåìåííûå ìåòîäû ïðîâåðêè àóòåíòè÷íîñòè ìàãíèòíûõ
ôîíîãðàìì â ñóäåáíî-àêóñòè÷åñêîé ýêñïåðòèçå. Êèåâ: Íàö. àêàä. âíóòð. äåë Óêðàèíû, 2003.
302 ñ.
20. Ðûáàëüñêèé Î.Â. Îñíîâíûå ïîëîæåíèÿ òåîðèè âûÿâëåíèÿ ñëåäîâ öèôðîâîé îáðàáîòêè ôîíîã-
ðàìì è îñîáåííîñòè åå ïðîãðàììíîé è ìåòîäè÷åñêîé ðåàëèçàöèè â ýêñïåðòèçå ìàòåðèàëîâ è
ñðåäñòâ âèäåîçâóêîçàïèñè. ×. 1. Çàõèñò ³íôîðìàö³¿. 2006. Ò. 8, ¹ 1 (28). Ñ. 71–76.
21. Ðûáàëüñêèé Î.Â., Ñîëîâüåâ Â.È., Æóðàâåëü Â.Â. Ñëåäû ìîíòàæà â öèôðîâûõ ôîíîãðàììàõ,
âûïîëíåííîãî ñïîñîáîì âûðåçàíèÿ è ïåðåñòàíîâêè ôðàãìåíòîâ. Ðåºñòðàö³ÿ, çáåð³ãàííÿ ³ îá-
ðîáêà äàíèõ. 2016. Ò. 18, ¹ 1. Ñ. 32–41.
22. Ðûáàëüñêèé Î.Â., Æóðàâåëü Â.Â. Ýêñïåðèìåíòàëüíîå ïîäòâåðæäåíèå ðåçóëüòàòîâ ìîäåëèðî-
âàíèÿ ìåõàíèçìà âîçíèêíîâåíèÿ èäåíòèôèêàöèîííûõ ïðèçíàêîâ ìîíòàæà â öèôðîâûõ ôîíîã-
ðàììàõ. Ñó÷àñí³ ³íôîðìàö³éí³ òà åëåêòðîíí³ òåõíîëî㳿: Çá. íàóê. ïð. 17 ̳æíàðîäíî¿ íàóêî-
âî-ïðàêòè÷íî¿ êîíôåðåíö³ (Îäåñà, 23–27 òðàâíÿ, 2016 ð.). Ñ. 125–126 .
23. Ðûáàëüñêèé Î.Â., Ñîëîâüåâ Â.È., Æóðàâåëü Â.Â. Ýêñïåðèìåíòàëüíàÿ ïðîâåðêà ýôôåêòà èçìå-
íåíèÿ ôðàêòàëüíîãî ñîñòàâà ñèãíàëîâ ïðè ìîíòàæå ôîíîãðàììû ñïîñîáîì âûðåçàíèÿ è ïåðå-
ñòàíîâêè ôðàãìåíòîâ. Ñó÷àñíà ñïåö³àëüíà òåõí³êà. 2016. ¹ 3 (46). Ñ. 75–85.
ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2 187
24. Ðûáàëüñêèé Î.Â., Ñîëîâüåâ Â.È., Æóðàâåëü Â.Â. Îñíîâíûå òðåáîâàíèÿ ê ñèñòåìå âûÿâëåíèÿ
òî÷åê öèôðîâîãî ìîíòàæà â ôîíîãðàììàõ è ìåòîäîëîãèÿ åå ñîçäàíèÿ. ²íôîðìàòèêà òà ìàòå-
ìàòè÷í³ ìåòîäè â ìîäåëþâàíí³. 2018. Ò. 8, ¹ 3. Ñ. 232–237.
25. Yoshua Bengio. Deep learnning. Lxmls 2015. Machine Learnning Summer Shool. Lisbon, Portugal,
2015, 124 p. URL: http://www.iro.umontreal.ca/~bengioy/dlbook/.
Íàä³éøëà äî ðåäàêö³¿ 11.04.2019
Â.². Ñîëîâéîâ, Î.Â. Ðèáàëüñüêèé, Â.Â. Æóðàâåëü
ÎÁ¥ÐÓÍÒÓÂÀÍÍß ÏÐÈÍÖÈÏÎÂί ÏÐÈÄÀÒÍÎÑÒ² ÍÅÉÐÎÍÍÈÕ ÌÅÐÅÆ
ÃËÈÁÎÊÎÃÎ ÍÀÂ×ÀÍÍß ÄËß ÏÎÁÓÄÎÂÈ ÑÈÑÒÅÌÈ ÂÈßÂËÅÍÍß
Ñ˲IJ ÖÈÔÐÎÂÎÃÎ ÎÁÐÎÁËÅÍÍß ÔÎÍÎÃÐÀÌ
Àíîòàö³ÿ. Íà ìîäåë³ íåéðîííî¿ ìåðåæ³ ãëèáîêîãî íàâ÷àííÿ îá´ðóíòîâàíî ³
ïåðåâ³ðåíî ïðèíöèïîâó ïðèäàòí³ñòü òàêî¿ ìåðåæ³ äëÿ ñòâîðåííÿ âèñîêî-
åôåêòèâíîãî åêñïåðòíîãî ³íñòðóìåíòàð³þ, ïðèçíà÷åíîãî äëÿ âèÿâëåííÿ
ñë³ä³â öèôðîâîãî îáðîáëåííÿ ó ôîíîãðàìàõ. Åêñïåðèìåíò ïðîâåäåíî íà âå-
ëèêîìó îáñÿç³ (á³ëüøå 100000) åêñïåðèìåíòàëüíèõ ôðàãìåíò³â íåîáðîáëåíèõ
ïàóç ôîíîãðàì ³ ïàóç ³ç ñë³äàìè îáðîáëåííÿ, îòðèìàíèõ â àâòîìàòè÷íîìó
ðåæèì³. Îòðèìàí³ çàëåæíîñò³ ïîêàçàëè, ùî çà ïîðîãó éìîâ³ðíîñò³ ïîíàä
0.55 ïðàâèëüíî¿ á³íàðíî¿ êëàñèô³êàö³¿ ïàóç âèíèêຠìîæëèâ³ñòü ïîáóäîâè
âèñîêîåôåêòèâíîãî ³íñòðóìåíòàð³þ åêñïåðòèçè.
Êëþ÷îâ³ ñëîâà: íåéðîííà ìåðåæà ãëèáîêîãî íàâ÷àííÿ, òî÷êè ìîíòàæó,
öèôðîâå îáðîáëåííÿ ôîíîãðàìè, öèôðîâà ôîíîãðàìà, öèôðîâèé ìîíòàæ,
åêñïåðòèçà.
V.I. Solovyov, O.V. Rybalskiy, V.V. Zhuravel
SUBSTANTIATING THE FUNDAMENTAL FITNESS OF DEEP LEARNNG
NEURON NETWORKS FOR CONSTRUCTION OF A SYSTEM
FOR DETECTING TRACES OF DIGITAL TREATMENT OF PHONOGRAMS
Abstract. On the model of a deep learning neuron network, the authors substantiate
and verify ptincipal applicability of such network to create a highly efficient expert
tool intended to detect traces of digital treatment in phonograms. An experiment is
conducted on a large volume (more than 100,000) of experimental fragments of
untilled pauses of phonograms and pauses with traces of treatment, obtained in the
automatic mode. The obtained dependences showed that for the probability
threshold over 0.55 correct binary classification of pauses there is a possibility of
constructing a highly efficient tool of examination.
Keywords: deep learning neuron network, points of editing, digital treatment of
a phonogram, digital phonogram, digital editing, examination.
Ñîëîâüåâ Âèêòîð Èâàíîâè÷,
êàíäèäàò òåõí. íàóê, äîöåíò, çàìåñòèòåëü çàâåäóþùåãî êàôåäðîé Âîñòî÷íîóêðàèíñêîãî íàöèîíàëü-
íîãî óíèâåðñèòåòà èìåíè Âëàäèìèðà Äàëÿ, Ñåâåðîäîíåöê, e-mail: edemsvi@gmail.com.
Ðûáàëüñêèé Îëåã Âëàäèìèðîâè÷,
äîêòîð òåõí. íàóê, ïðîôåññîð, ãëàâíûé íàó÷íûé ñîòðóäíèê, ïðîôåññîð êàôåäðû Íàöèîíàëüíîé àêà-
äåìèè âíóòðåííèõ äåë, Êèåâ, e-mail: rov_1946@ukr.net.
Æóðàâåëü Âàäèì Âàñèëüåâè÷,
êàíäèäàò òåõí. íàóê, çàâåäóþùèé ëàáîðàòîðèåé Êèåâñêîãî íàó÷íî-èññëåäîâàòåëüñêîãî ýêñïåðòíî-êðè-
ìèíàëèñòè÷åñêîãî öåíòðà ÌÂÄ Óêðàèíû, Êèåâ, e-mail: fonoscopia@ukr.net.
188 ISSN 1019-5262. Êèáåðíåòèêà è ñèñòåìíûé àíàëèç, 2020, òîì 56, ¹ 2
|
| id | nasplib_isofts_kiev_ua-123456789-190372 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1019-5262 |
| language | Russian |
| last_indexed | 2025-12-07T13:11:22Z |
| publishDate | 2020 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Соловьев, В.И. Рыбальский, О.В. Журавель, В.В. 2023-06-03T14:09:27Z 2023-06-03T14:09:27Z 2020 Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм / В.И. Соловьев, О.В. Рыбальский, В.В. Журавель // Кибернетика и системный анализ. — 2020. — Т. 56, № 2. — С. 182–188. — Бібліогр.: 25 назв. — рос. 1019-5262 https://nasplib.isofts.kiev.ua/handle/123456789/190372 621.317+681.849 На модели нейронной сети глубокого обучения обоснована и проверена принципиальная пригодность данной сети для создания высокоэффективного экспертного инструментария, предназначенного для выявления следов цифровой обработки в фонограммах. Эксперимент проведен на большом объеме (более 100 000) экспериментальных фрагментов необработанных пауз фонограмм и пауз со следами обработки, полученных в автоматическом режиме. Найденные зависимости показали, что при пороге вероятности свыше 0,55 правильной бинарной классификации пауз возникает возможность построения высокоэффективного инструментария экспертизы. На моделі нейронної мережі глибокого навчання обґрунтовано і перевірено принципову придатність такої мережі для створення високоефективного експертного інструментарію, призначеного для виявлення слідів цифрового оброблення у фонограмах. Експеримент проведено на великому обсязі (більше 100000) експериментальних фрагментів необроблених пауз фонограм і пауз із слідами оброблення, отриманих в автоматичному режимі. Отримані залежності показали, що за порогу ймовірності понад 0.55 правильної бінарної класифікації пауз виникає можливість побудови високоефективного інструментарію експертизи. On the model of a deep learning neuron network, the authors substantiate and verify ptincipal applicability of such network to create a highly efficient expert tool intended to detect traces of digital treatment in phonograms. An experiment is conducted on a large volume (more than 100,000) of experimental fragments of untilled pauses of phonograms and pauses with traces of treatment, obtained in the automatic mode. The obtained dependences showed that for the probability threshold over 0.55 correct binary classification of pauses there is a possibility of constructing a highly efficient tool of examination. ru Інститут кібернетики ім. В.М. Глушкова НАН України Кибернетика и системный анализ Програмно-технічні комплекси Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм Обґрунтування принципової придатності нейронних мереж глибокого навчання для побудови системи виявлення слідів цифрового оброблення фонограм Substantiating the fundamental fitness of deep learning neuron networks for construction of a system for detecting traces of digital treatment of phonograms Article published earlier |
| spellingShingle | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм Соловьев, В.И. Рыбальский, О.В. Журавель, В.В. Програмно-технічні комплекси |
| title | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| title_alt | Обґрунтування принципової придатності нейронних мереж глибокого навчання для побудови системи виявлення слідів цифрового оброблення фонограм Substantiating the fundamental fitness of deep learning neuron networks for construction of a system for detecting traces of digital treatment of phonograms |
| title_full | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| title_fullStr | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| title_full_unstemmed | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| title_short | Обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| title_sort | обоснование принципиальной возможности применения нейронных сетей глубокого обучения для построения системы выявления следов цифровой обработки фонограмм |
| topic | Програмно-технічні комплекси |
| topic_facet | Програмно-технічні комплекси |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/190372 |
| work_keys_str_mv | AT solovʹevvi obosnovanieprincipialʹnoivozmožnostiprimeneniâneironnyhseteiglubokogoobučeniâdlâpostroeniâsistemyvyâvleniâsledovcifrovoiobrabotkifonogramm AT rybalʹskiiov obosnovanieprincipialʹnoivozmožnostiprimeneniâneironnyhseteiglubokogoobučeniâdlâpostroeniâsistemyvyâvleniâsledovcifrovoiobrabotkifonogramm AT žuravelʹvv obosnovanieprincipialʹnoivozmožnostiprimeneniâneironnyhseteiglubokogoobučeniâdlâpostroeniâsistemyvyâvleniâsledovcifrovoiobrabotkifonogramm AT solovʹevvi obgruntuvannâprincipovoípridatnostíneironnihmerežglibokogonavčannâdlâpobudovisistemiviâvlennâslídívcifrovogoobroblennâfonogram AT rybalʹskiiov obgruntuvannâprincipovoípridatnostíneironnihmerežglibokogonavčannâdlâpobudovisistemiviâvlennâslídívcifrovogoobroblennâfonogram AT žuravelʹvv obgruntuvannâprincipovoípridatnostíneironnihmerežglibokogonavčannâdlâpobudovisistemiviâvlennâslídívcifrovogoobroblennâfonogram AT solovʹevvi substantiatingthefundamentalfitnessofdeeplearningneuronnetworksforconstructionofasystemfordetectingtracesofdigitaltreatmentofphonograms AT rybalʹskiiov substantiatingthefundamentalfitnessofdeeplearningneuronnetworksforconstructionofasystemfordetectingtracesofdigitaltreatmentofphonograms AT žuravelʹvv substantiatingthefundamentalfitnessofdeeplearningneuronnetworksforconstructionofasystemfordetectingtracesofdigitaltreatmentofphonograms |