commit 6d356459171a6e195d97d1018dfdd899739e9813
parent 1278c16a5249b093532e015d317a200698e625eb
Author: Martin Kloeckner <mjkloeckner@gmail.com>
Date: Wed, 3 Dec 2025 15:16:06 -0300
pruebas con ruido
Diffstat:
2 files changed, 70 insertions(+), 19 deletions(-)
diff --git a/tp/scripts/main.py b/tp/scripts/main.py
@@ -39,15 +39,13 @@ def tercera_parte():
DB = generar_base_de_datos_si_no_existe()
# evaluar_aciertos(DB)
# evaluar_cancion(DB, canciones_prueba[0])
+ evaluar_aciertos_agregar_ruido(DB)
- cancion_con_ruido_data = agregar_ruido_a_cancion(canciones_dataset[0].data)
- cancion_con_ruido_fs = canciones_dataset[0].fs
- write_wav("../out/000002_ruido.wav", cancion_con_ruido_fs, cancion_con_ruido_data)
- evaluar_cancion_raw(DB, cancion_con_ruido_data, cancion_con_ruido_fs, "000002_ruido")
+def main():
+ # cargar_canciones_dataset()
+ # cargar_canciones_prueba()
-cargar_canciones_dataset()
-# cargar_canciones_prueba()
+ # primera_parte()
+ # segunda_parte()
+ # tercera_parte()
-# primera_parte()
-# segunda_parte()
-tercera_parte()
diff --git a/tp/scripts/tercera_parte.py b/tp/scripts/tercera_parte.py
@@ -485,7 +485,7 @@ def evaluar_cancion_raw(DB, cancion_data, cancion_fs, cancion_name):
nro_pruebas += 1
id, matches = query_DB(DB, H)
print(f' mejor coincidencia: `{canciones_dataset[id[0]].name}`')
-
+
print("")
def evaluar_cancion(DB, cancion):
@@ -508,9 +508,69 @@ def evaluar_cancion(DB, cancion):
nro_pruebas += 1
id, matches = query_DB(DB, H)
print(f' mejor coincidencia: `{canciones_dataset[id[0]].name}`')
-
+
print("")
+def agregar_ruido_a_cancion(data, sigma=0.1):
+ ruido = np.random.normal(loc=0, scale=sigma, size=len(data))
+ cancion_con_ruido = data + ruido
+ cancion_con_ruido = np.clip(cancion_con_ruido, -1.0, 1.0)
+ return cancion_con_ruido
+
+def calcular_potencia_ruido(potencia_orig, snr_db):
+ snr_lineal = 10**(snr_db / 10)
+ potencia_ruido = potencia_orig / snr_lineal
+ return potencia_ruido
+
+def evaluar_aciertos_agregar_ruido(DB):
+ h, fs = filtro_fir_deducido()
+
+ incorrectos = 0
+ nro_pruebas = 0
+
+ for i, cancion in enumerate(canciones_dataset):
+ lista_a_probar = []
+ lista_a_probar.append(cancion)
+
+ for snr_db in [0, 10, 20]:
+ potencia_cancion = np.mean(cancion.data**2)
+ potencia_ruido = calcular_potencia_ruido(potencia_cancion, snr_db)
+ sigma_ruido = np.sqrt(potencia_ruido)
+ data = agregar_ruido_a_cancion(cancion.data, sigma_ruido)
+ name = cancion.name + f"_ruido_SNR_{snr_db}dB"
+ lista_a_probar.append(SimpleNamespace(
+ name=name,
+ data=data,
+ fs=cancion.fs))
+
+ for T in [5, 10, 20]: # segmentso de 5, 10 y 20 segundos
+ duracion_cancion = len(cancion.data) / cancion.fs
+ print(f'[LOG] Duracion cancion: {duracion_cancion:05.02f}s')
+
+ t_inicial = random.uniform(0.0, 1.0) * (duracion_cancion - 1.5*T)
+ t_inicial = 0 if t_inicial < 0 else t_inicial
+ print(f'[LOG] Intervalo {T:05.02f}s {t_inicial:05.02f}:{t_inicial+T:05.02f}s')
+
+ for elemento in lista_a_probar:
+ data = np.convolve(elemento.data, h, mode='same')
+ print(f'[LOG] Evaluando cancion `{elemento.name}`', end='')
+
+ f, t, E = generate_spectrogram(elemento.fs, elemento.data, t=t_inicial, dt=T)
+ H = generar_huella(E, elemento.fs)
+
+ nro_pruebas += 1
+ id, matches = query_DB(DB, H)
+ print(f' mejor coincidencia: `{canciones_dataset[id[0]].name}`')
+ if id[0] != i:
+ incorrectos += 1
+
+ print("")
+
+
+ print(f'[LOG] cantidad de pruebas incorrectas: {incorrectos} de {nro_pruebas}')
+ print(f'[LOG] error porcentual: {(incorrectos/nro_pruebas)*100:0.02f}%')
+
+
def evaluar_aciertos(DB):
h, fs = filtro_fir_deducido()
@@ -522,7 +582,7 @@ def evaluar_aciertos(DB):
duracion_cancion = len(data) / cancion.fs
print(f'[LOG] Duracion cancion: {duracion_cancion:05.02f}s')
for r in range(0, 5):
- for T in [2, 3, 5]: # segmentso de 5, 10 y 20 segundos
+ for T in [5, 10, 20]: # segmentso de 5, 10 y 20 segundos
t_inicial = random.uniform(0.0, 1.0) * (duracion_cancion - 1.5*T)
t_inicial = 0 if t_inicial < 0 else t_inicial
print(f'[LOG] Intervalo {t_inicial:05.02f}:{t_inicial+T:05.02f}s', end='')
@@ -541,9 +601,3 @@ def evaluar_aciertos(DB):
print(f'[LOG] cantidad de pruebas incorrectas: {incorrectos} de {nro_pruebas}')
print(f'[LOG] error porcentual: {(incorrectos/nro_pruebas)*100:0.02f}%')
-def agregar_ruido_a_cancion(data):
- ruido = np.random.normal(loc=0, scale=0.1, size=len(data))
- cancion_con_ruido = data + ruido
- cancion_con_ruido = np.clip(cancion_con_ruido, -1.0, 1.0)
- return cancion_con_ruido
-
-\ No newline at end of file
