Nâng cao hiệu năng nhận dạng tín hiệu thủy âm bằng mạng nơ-ron tích chập kết nối dư cải tiến
267 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.81.2022.53-59Từ khóa:
Mạng nơ-ron nhân tạo; Mô hình ResNet; Phân loại tín hiệu thủy âm; Sôna thụ động.Tóm tắt
Bài báo trình bày kết quả nghiên cứu mô hình nhận dạng tín hiệu thủy âm sử dụng mạng nơ-ron tích chập theo cấu trúc kết nối dư được cải tiến từ mô hình ResNet (Residual Network) nhằm tăng hiệu năng về tốc độ xử lý mà vẫn đảm bảo độ chính xác nhận dạng cao. Khi so sánh với mô hình ResNet ban đầu và một số mô hình hiện có khác, mô hình đề xuất cho hiệu năng nhận dạng tốt về tỉ lệ nhận dạng đúng nguồn tín hiệu và tăng tốc độ dự đoán.
Tài liệu tham khảo
[1]. K.J. Vigness-Raposa, G. Scowcroft, J.H. Miller, D. Ketten, “Discovery of Sound in the Sea: An Online Resource,” in Popper, A.N., Hawkins, A. (eds) The Effects of Noise on Aquatic Life. Advances in Experimental Medicine and Biology, vol 730. Springer, New York, NY, (2012), doi: 10.1007/978-1-4419-7311-5_30. DOI: https://doi.org/10.1007/978-1-4419-7311-5_30
[2]. V. -S. Doan, T. Huynh-The and D. -S. Kim, "Underwater Acoustic Target Classification Based on Dense Convolutional Neural Network," in IEEE Geoscience and Remote Sensing Letters, vol. 19, pp. 1-5, Art no. 1500905, (2022), doi: 10.1109/LGRS.2020.3029584. DOI: https://doi.org/10.1109/LGRS.2020.3029584
[3]. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, (2016).
[4]. A. B. Nassif, I. Shahin, I. Attili, M. Azzeh and K. Shaalan, "Speech Recognition Using Deep Neural Networks: A Systematic Review," in IEEE Access, vol. 7, pp. 19143-19165, (2019), doi: 10.1109/ACCESS.2019.2896880. DOI: https://doi.org/10.1109/ACCESS.2019.2896880
[5]. D. Santos-Domínguez, S. Torres-Guijarro, A. Cardenal-López, and A. Pena-Gimenez, "ShipsEar: An underwater vessel noise database," in Applied Acoustics, 113, 64-69, (2016). DOI: https://doi.org/10.1016/j.apacoust.2016.06.008
[6]. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Las Vegas, NV, USA, pp. 770–778, Jun., (2016).
[7]. C. Lim, J. -Y. Kim and Y. Nam, "ECG Signal Analysis for Patient with Metabolic Syndrome based on 1D-Convolution Neural Network," 2020 International Conference on Computational Science and Computational Intelligence (CSCI), pp. 731-733, (2020). DOI: https://doi.org/10.1109/CSCI51800.2020.00134
[8]. Ioffe, Sergey, and Christian Szegedy. “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” [online] Available: https://arxiv.org/abs/1502.03167.
[9]. A. F. Agarap, "Deep Learning using Rectified Linear Units (ReLU)," [online] Available: https://arxiv.org/abs/1803.08375.
[10]. J. S. Bridle, “Training stochastic model recognition algorithms as networks can lead to maximum mutual information estimation of parameters,” in Proceedings of the 2nd International Conference on Neural Information Processing Systems (NIPS'89), MIT Press, Cambridge, MA, USA, pp. 211–217, (1989).
[11]. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” in Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1 (NIPS'12), Curran Associates Inc., Red Hook, NY, USA, pp. 1097–1105, (2012).
[12]. G. Hu, K. Wang, Y. Peng, M. Qiu, J. Shi, and L. Liu, “Deep learning methods for underwater target feature extraction and recognition,” Comput. Intell. Neurosci., vol. 2018, pp. 1–10, Mar., (2018). DOI: https://doi.org/10.1155/2018/1214301
[13]. F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and < 0.5MB model size,” (2016), arXiv:1602.07360. [Online]. Available: http://arxiv.org/abs/1602.07360.
[14]. X. C. Han, C. Ren, L. Wang, Y. Bai, “Underwater acoustic target recognition method based on a joint neural network,” in PLoS ONE 17(4), (2022), doi: 10.1371/journal.pone.0266425. DOI: https://doi.org/10.1371/journal.pone.0266425
