Застосування багатошарового персептрона для аналізу акустичних сигналів у водному середовищі

DOI: 10.31673/2412-9070.2023.039000

Анотація

Задача аналізу акустичних сигналів водного середовища є досить складною. Записані у складному середовищі дані можуть страждати від низьким співвідношенням сигналу та шуму. Застосування нейромереж може бути ефективним підходом, але навіть при наявності задовільних результатів, вдосконалення методів може сприяти подальшому підвищенню точності класифікації, забезпечуючи більш надійні та точні результати в умовах високої шумової активності. Є необхідність у створенні покращеного нейромережевого методу для класифікації шумів водного середовища з різним співвідношенням сигналу та шуму. Покращення досягається через впровадження багатошарового персептрона з адаптивним навчанням та пакетною нормалізацією. Запропонований підхід дозволяє ефективно аналізувати шуми водних суден в умовах високого рівня шуму та у складному середовищі. В результаті, вдалось покращити метод та досягти точності класифікації в 96%, тоді як при застосуванні оригінального методу, максимальна точність класифікації склала 94%.

Ключові слова: машинне навчання; акустичні сигнали; підводне середовище; класифікація.

Список використаної літератури
1. Doan V.-S., Huynh-The T., Kim D.-S. Underwater acoustic target classification based on dense convolutional neural network // IEEE Geosci. Remote Sens. Lett., Oct. 2020.
2. Underwater target recognition based on multidecision lofar spectrum enhancement: a deep learning approach / J. Chen, J. Liu, C. Liu [et al.] // arXiv preprint arXiv:2104.12362 (2021)
3. Han X. C., Ren C., Wang L., Bai Y. Underwater acoustic target recognition method based on a joint neural network // PLoS ONE 2022. 17(4): e0266425.
4. Convolutional Neural Network With Second Order Pooling for Underwater Target Classification / X. Cao, R. Togneri, X. Zhang, Y. Yu // IEEE Sensors Journal, 15 April15, 2019. vol. 19, no. 8. P. 3058–3066,
5. A new cooperative deep learning method for underwater acoustic target recognition / Yang Honghui, Xu Guanghui, Yi Shuzhen, Li Yiqing // OCEANS 2019-Marseille / IEEE. 2019. P. 1–4.
6. Underwater target classification at greater depths using deep neural network with joint multipledomain feature / Cao Xu, Zhang Xiaomin, Togneri Roberto, Yu Yang // IET Radar, Sonar & Navigation. 2019. Vol. 13, no. 3. P. 484–491.
7. DeepShip: An underwater acoustic benchmark dataset and a separable convolution based autoencoder for classification / Muhammad Irfan, Zheng Jiangbin, Shahid Ali, Muhammad Iqbal, Zafar Masood, Umar Hamid // Expert Systems with Applications, 2021. Vol. 183, 115270, ISSN 0957-4174
8. Santos-Domínguez David, Torres-Guijarro Soledad, Cardenal-Lopez Antonio, Pena-Gimenez Antonio. ShipsEar: An underwater vessel noise database. Applied Acoustics 2016;113:64–9