ПОКРАЩЕНИЙ МЕТОД АНАЛІЗУ АКУСТИЧНИХ СИГНАЛІВ ВОДНОГО СЕРЕДОВИЩА НА ОСНОВІ ЗГОРТКОВОЇ НЕЙРОМЕРЕЖІ SOP
DOI:
https://doi.org/10.31649/1997-9266-2024-177-6-129-134Ключові слова:
згорткові нейромережі, пулінг другого порядку, аналіз акустичних сигналів, багатомасштабна згорткаАнотація
Аналіз акустичних сигналів у морському середовищі супроводжується численними викликами, такими як великий обсяг даних і швидка зміна умов навколишнього середовища. Під час пасивного прийому сигналів часто спостерігається низьке співвідношення сигнал/шум, що ускладнює їхню обробку. Для розв’язання цих задач потрібен ефективний і універсальний підхід, який можна забезпечити за допомогою нейронних мереж. Серед різних моделей нейромереж для аналізу акустичних сигналів одним із найефективніших є згорткові нейронні мережі. Тому є сенс у пошуку ефективного методу, основаного на CNN, який можна модифікувати для підвищення якості аналізу акустичних сигналів у водному середовищі.
Поліпшено метод, що базується на застосуванні нейромережі CNN SOP. Як вхідні характеристики для класифікації використано характеристики CQT. Оригінальні два шари згортки замінено багатомасштабною згорткою з різними розмірами ядер, що дозволило вилучити як загальні, так і локальні характеристики цільового об’єкта. У вилучених характеристиках відбувається зменшення розмірності шляхом обробки середнього пулінгу. Результат подається на вхід до шару пулінгу другого порядку (SOP), що дозволяє ефективно знаходити та зберегти інформацію про кореляції часових даних у формі узагальненого представлення. Виходом шару SOP є вектори, які нормалізуються поелементно квадратним коренем та l2-нормалізацією. Нормалізовані дані подаються на повнозв’язний шар з пакетною нормалізацією та функцією активації ReLU. Після цього дані передаються на повнозв’язний шар з функцією активації Softmax, яка виконує класифікацію. Для перевірки роботи нейромережі вибрано три датасети — два датасети реальних об’єктів водного середовища та один штучний датасет. Кожний датасет додатково зашумлено фоновими шумами таким чином, щоб підсумкові семпли мали низьке співвідношення сигнал/шум (SNR). У всіх випадках запропонований покращений метод показав вищу точність класифікації у порівнянні з оригінальним методом.
Посилання
Y. Miao, Y. V. Zakharov, H. Sun, J. Li, and J. Wang, “Underwater Acoustic Signal Classification Based on Sparse Time–Frequency Representation and Deep Learning,” IEEE Journal of Oceanic Engineering, vol. 46, no. 3, pp. 952-962, 2021. https://doi.org/10.1109/JOE.2020.3039037 .
N. Bach, L. Vu, and V. Nguyen, “Classification of Surface Vehicle Propeller Cavitation Noise Using Spectrogram Processing in Combination with Convolution Neural Network,” Sensors, vol. 21, p. 3353, 2021. https://doi.org/10.3390/s21103353 .
L. Xinwei, Y. Feng, and M. Zhang. “An underwater acoustic target recognition method based on combined feature with automatic coding and reconstruction,” IEEE Access 9, pp. 63841-63854, 2021. https://doi.org/10.1109/ACCESS.2021.3075344 .
M. Ahmad, M. A. Ansari, R. Anwar, B. Shahzad, and A. Ikram, “Deep Learning Based Classification of Underwater Acoustic Signals,” Procedia Computer Science, vol. 235, pp. 1115-1124, 2024. https://doi.org/10.1016/j.procs.2024.04.106 .
K.-I. Kim, M.-I. Pak, B.-P. Chon, and C.-H. Ri, “A Method for Underwater Acoustic Signal Classification Using Convolutional Neural Network Combined with Discrete Wavelet Transform,” International Journal of Wavelets, Multiresolution and Information Processing, vol. 19, 2021. https://doi.org/10.1142/S0219691320500927 .
X. Cao, R. Togneri, X. Zhang, and Y. Yu, “Convolutional Neural Network With Second-Order Pooling for Underwater Target Classification,” IEEE Sensors Journal, vol. 19, no. 8, pp. 3058-3066, 2019. https://doi.org/10.1109/JSEN.2018.2886368 .
D. Santos-Domínguez, S. Torres-Guijarro, A. Cardenal-Lopez, and A. Pena-Gimenez, “ShipsEar: An underwater vessel noise database,” Applied Acoustics, vol. 113, pp. 64-69, 2016. https://doi.org/10.1016/j.apacoust.2016.06.008 .
Вимірювальні системи та програмне забезпечення для морських охоронних систем і дослідницьких полігонів, звіт про НДР (заключ.) НТУУ «КПІ»; кер. роб. Є. Мачуський. Київ, 2012, 104 с. + відеосюжет + CD-ROM. Д/б №2429-п.
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
