Nâng cao khả năng phân loại tín hiệu thuỷ âm sử dụng nội suy khối nối trục và phân phối xác suất trong không gian ẩn
226 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.80.2022.39-48Từ khóa:
Tín hiệu thủy âm; Nội suy khối nối trục; Phân phối xác suất; Không gian ẩn.Tóm tắt
Trong lĩnh vực âm học đại dương, các phương pháp xử lý tín hiệu dưới nước truyền thống và hiện đại đều đang đạt được các kết quả tích cực. Đối với các bài toán sonar phục vụ nhiệm vụ quốc phòng an ninh, nhu cầu phân loại kịp thời, chính xác các dạng tàu chân vịt là một yêu cầu quan trọng hàng đầu. Nghiên cứu này trình bày một mô hình xử lý tín hiệu dưới nước nhằm mục đích phát hiện và phân loại tàu chân vịt thông qua cách cải tiến kỹ thuật LOFAR (Low Frequency Analysis and Recording) bằng nội suy khối nối trục (Cubic Splines Interpolation - CSI), kết hợp với mô hình xác suất phân phối trong miền không gian ẩn. Kết quả của mô hình được thử nghiệm trên các tập dữ liệu thực, đã cho thấy độ chính xác phân loại tốt hơn 10%, đạt hiệu suất khoảng 90% so với các mô hình trước đó. Giải pháp này cũng đã chứng minh được mô hình kết hợp truyền thống và hiện đại có khả năng phân loại tốt với các tín hiệu thực tế ngay cả khi lượng dữ liệu thiếu hụt và tỷ lệ tín trên tạp thấp.
Tài liệu tham khảo
[1]. W. S. Burdic, “Underwater Acoustic System Analysis”, Peninsula Pub, (2003).
[2]. R. O. Nielsen, ''Sonar signal processing'', Boston Artech House, pp. 16-85, (1991).
[3]. J.C. Martino, "An approach to detect lofar lines", Pattern Recognition Letters 17.1, pp. 37-46, (1996).
[4]. Q. Li, “Digital sonar design in underwater acoustics principles and applications", Springer Science & Business Media, (2012).
[5]. J. Choi, “Acoustic Classification of Surface and Underwater Vessels in the Ocean Using Supervised Machine Learning”, Sensors 19.16, (2019).
[6]. Y. LeCun, “Deep learning”, Nature, vol. 521, pp. 436-444, (2015).
[7]. S. Min, "Underwater target recognition based on wavelet packet entropy and probabilistic neural network", International Conference on Signal Processing, Communication and Computing, IEEE, (2013).
[8]. T. P. Hua, "Classification of Underwater Echo Based on Fractal Theory and Learning Vector Quantization Neural Network.", Applied Mechanics and Materials. Vol. 148. Trans Tech Publications Ltd, (2012).
[9]. Q. Weibiao, "Underwater targets classification using local wavelet acoustic pattern and Multi-Layer Perceptron neural network optimized by modified Whale Optimization Algorithm", Ocean Engineering 219: 108415, (2021).
[10]. W. Zhengxian, et al "A method of underwater acoustic signal classification based on deep neural network", 2018 5th International Conference on Information Science and Control Engineering (ICISCE). IEEE, (2018).
[11]. N. N. Moura, ''Novelty detection in passive sonar systems using support vector machines'', Latin America Congress on Computational Intelligence (LA-CCI), pp. 1-6, IEEE, (2015).
[12]. T. McConaghy, H. Leung, and V. Varadan, “Classification of audio radar signals using radial basis function neural networks”. IEEE Transactions on Instrumentation and Measurement, 52(6), pp. 1771-1779, (2003).
[13]. M. Farrokhrooz and M. Karimi, “Ship noise classification using probabilistic neural network and AR model coefficients”. Europe Oceans journal Vol. 2, IEEE, pp. 1107-1110, (2005).
[14]. J. Q. Gauthier and T. A. Gooley, "Cubic splines to model relationships between continuous variables and outcomes: a guide for clinicians." Bone marrow transplantation 55.4, pp. 675-680, (2020).
[15]. S. A Dyer and J. S. Dyer, "Cubic-spline interpolation", IEEE Instrumentation & Measurement Magazine 4.1, pp. 44-46, (2001).
[16]. R. Fuji et al "Intention detection based on siamese neural network with triplet loss", IEEE Access 8: 82242-82254, (2020).
[17]. K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, (2014).
