SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 3

Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar

Mustafa Umut DEMİREZEN
Aybüke CİVRİZOĞLU
Uraz YAVANOĞLU
Pages
1399–1416
Publication Date
2021-05-24
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin sayısal olarak temsili amacıyla önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Ses dalgalarını kullanarak cismin boyut, uzaklık, yön ve diğer özelliklerinin tespit edilmesi için kullanılan sonar; denizaltı maden, petrol aramalarında, denizaltı haritalamasında, balık sürülerinin takibinde ve mayın tespitlerinde yaygın olarak kullanılmaktadır.
📊
Key Findings & Data:Bu çalışmada, yenilikçi bir yaklaşımla üç farklı matematiksel dönüşüm kullanılarak verinin farklı bir formatta sayısal temsili önerilmekte ve derin öğrenme yöntemlerinin bu problem özelinde başarımlarının klasik makine öğrenmesi ve istatistiksel örüntü tanıma yöntemleri ile karşılaştırılması yapılmaktadır.
💡
Conclusion & Impact:Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin sayısal olarak temsili amacıyla önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.
🔬Design:Lab & Field Experiment
📍Scope:Comprehensive Sample
⚙️Variables:MGA · GAA · Sonar

Özet

Ses dalgalarını kullanarak cismin boyut, uzaklık, yön ve diğer özelliklerinin tespit edilmesi için kullanılan sonar; denizaltı maden, petrol aramalarında, denizaltı haritalamasında, balık sürülerinin takibinde ve mayın tespitlerinde yaygın olarak kullanılmaktadır. Denizaltında mayınların yanı sıra mayınlara şekil ve yapı olarak çok benzeyen başka nesneler de gözlemlenebilmektedir. Sonar sinyallerinin tanımlanması ve sınıflandırılması için kullanılması gereken öznitelik çıkarımı, öznitelik seçimi, en uygun algoritmaların seçilmesi ve bu algoritmaların hiperparametre en iyilemesi çalışmaları, üzerinde uzun yıllardan beri çalışılan bilimsel problemler olarak karşımıza çıkmaktadır. Bu çalışmada, yenilikçi bir yaklaşımla üç farklı matematiksel dönüşüm kullanılarak verinin farklı bir formatta sayısal temsili önerilmekte ve derin öğrenme yöntemlerinin bu problem özelinde başarımlarının klasik makine öğrenmesi ve istatistiksel örüntü tanıma yöntemleri ile karşılaştırılması yapılmaktadır. Önerilen yenilikçi yöntem kapsamında, Markov Dönüşüm Alanı (MDA), Gramian Açısal Alanı (GAA, GATA, GAFA) ve Tekrarlanma Grafiği (TG) matematiksel dönüşümleri verinin zaman serisi türünden görüntü formatında ifade edilebilmesi için kullanılmıştır. Bu yaklaşım sonucunda elde edilen yeni tipteki verilerin kullanılmasıyla, derin öğrenme algoritmalarının çapraz doğrulama (cross validation) metodu ile eğitilmesi sağlanarak, üretilen modellerin performans sonuçları ve klasik algoritmalar ile elde edilen sonuçlar iyi bilinen metrikler kullanılarak karşılaştırılmıştır. Bu sonuçlar ışığında, önerilen zaman serisi verisinin görüntüye dönüştürülmesi yaklaşımlarının, problem çözümünde öznitelik çıkarma gereksinimini ortadan kaldırdığı ve bugüne kadar literatürde tespit edilen en iyi sonuçları verdiği belirlenmiştir. Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin sayısal olarak temsili amacıyla önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.

🔖

Cite This Article

DEMİREZEN, M. U., CİVRİZOĞLU, A., YAVANOĞLU, U. (2021). Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 3, 1399–1416. https://ajindex.com/articles/193490

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Waite A.D. Sonar for Practising Engineers. Wiley, West Sussex, İngiltere, 2002. Jing L. The principle of side scan sonar and its application in the detection of suspended submarine pipeline treatment, Materials Science and Engineering, {IOP}, 439, 2018. Lucieer V.L. Object-oriented classification of sidescan sonar data for mapping benthic marine habitats. International Journal of Remote Sensing. 29(3), 905–921, 2018.
  2. Burguera A, Oliver G, High-Resolution Underwater Mapping Using Side-Scan Sonar, PLOS ONE. 11(1), 2016.
  3. Flowers H.J, Hightower J.E. A Novel Approach to Surveying Sturgeon Using Side-Scan Sonar and Occupancy Modeling. Marine and Coastal Fisheries. 5(1), 211–223, 2013.
  4. Çelebi A.T, Güllü M.K, Ertürk S. Mine detection in side scan sonar images using Markov Random Fields with brightness compensation. In: 2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU), 916–919, 2011. Huebner C.S. Evaluation of side-scan sonar performance for the detection of naval mines, Target and Background Signatures IV, Vol. 10794. SPIE, 158–166, 2018
  5. Verleysen M, François D. The Curse of Dimensionality in Data Mining and Time Series Prediction. Lecture Notes in Computer Science, 3512(06), 758–770, 2005.
  6. Gorman RP, Sejnowski TJ. Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets. Neural Networks. 1(1), 75–89, 1988.
  7. Pamaja V., Rajendran V., Vijayalakshmi P., Study on metal mine detection from underwater sonar images using data mining and machine learning techniques, Journal of Ambient Intelligence and Humanized Computing, 11(4), 2020.
  8. Erkmen B., Yıldırım T. Improving classification performance of sonar targets by applying general regression neural network with PCA. Expert Systems with Applications, 35(1-2), 472–475, 2008.
  9. Bakbak P.O., Peker M., Classification of sonar echo signals in their reduced sparse forms using complex-valued wavelet neural network. Neural Computing and Applications (Neural Comput Appl), 32(1), 2020.
  10. Hossin M., Mahudin F., Din I, Mat A.R. Analysis of Nine Instance-Based Genetic Algorithm Classifiers Using Small Datasets. Journal of Telecommunication, Electronic and Computer Engineering, 9, 3–11, 2017. Novakovic J. Using Information Gain Attribute Evaluation to Classify Sonar Targets. Telecommunications forum (TELFOR). 2009.
  11. Fong S, Deb S, Wong R, et al. Underwater Sonar Signals Recognition by Incremental Data Stream Mining with Conflict Analysis. International Journal of Distributed Sensor Networ