KaydedilenlerDerginizi ekleyin

Dergiler / Veri Bilimi / 2021 / Cilt: 4 - Sayı: 2

Ensemble NASNet Deep Feature Generator Based Underwater Acoustic Classification Model

Orhan YAMAN
Türker TUNCER
Sayfa
33–39
Yayın Tarihi
2021-08-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sınıflandırmada Doğrusal SVM algoritması ile %77,66 doğruluk hesaplanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sualtı akustiği, gelişmiş sinyal işleme için önemli ve karmaşık araştırma alanlarından biridir.
📊
Temel Bulgular & Veri:Elde edilen öznitelikler arasından en ağırlıklı öznitelikleri seçmek için chi2 yöntemi kullanılmıştır.
💡
Sonuç & Katkı:Sınıflandırmada Doğrusal SVM algoritması ile %77,66 doğruluk hesaplanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Sualtı Ses Sınıflandırması · Sualtı Yön Algılama · SVM

Özet

Sualtı akustiği, gelişmiş sinyal işleme için önemli ve karmaşık araştırma alanlarından biridir. Bu çalışmada, su altı araçlarının yön tespiti için derin öğrenme ve makine öğrenmesi tabanlı bir yöntem önerilmiştir. Sualtı robotu kullanılarak yeni bir veri seti toplandı. Veri setini oluşturmak için su altına bir mikrofon yerleştirildi. Su altında hareket eden Uzaktan Kumandalı Sualtı Aracının (ROV) pervanelerinin sesleri toplandı. Önce su altında hareketsiz bir ses kaydı yapıldı. Sualtı robotu x, y ve z eksenleri boyunca hareket etti ve bir ses veri seti oluşturuldu. Bu veri seti toplamda dört sınıftan oluşmaktadır. Bu sesler üzerinde özellik çıkarımı için NASNetLarge ve NASNetMobile derin öğrenme modelleri uygulanmıştır. Bu iki derin öğrenme modelinin özellikleri birleştirilmiştir. Elde edilen öznitelikler arasından en ağırlıklı öznitelikleri seçmek için chi2 yöntemi kullanılmıştır. Ardından, seçilen özellikleri sınıflandırmak için Destek Vektör Makinesi (SVM) algoritması kullanılır. Sınıflandırmada Doğrusal SVM algoritması ile %77,66 doğruluk hesaplanmıştır.

Abstract

Underwater acoustics is one of the important and complex research areas for advanced signal processing. In this study, a deep learning and machine learning-based method are proposed for direction detection of underwater vehicles. A new dataset was collected using the underwater robot. A microphone was placed underwater to create the dataset. The sounds of the propellers of the Remotely Operated Underwater Vehicle (ROV) moving underwater were collected. First, a still sound recording was made underwater. The underwater robot moved along the x, y, and z axes, and a sound dataset was created. This data set consists of four classes in total. NASNetLarge and NASNetMobile deep learning models have been applied for feature extraction on these sounds. The features of these two deep learning models are combined. The chi2 method was used to select the most weighted features among the obtained features. Then, the Support Vector Machine (SVM) algorithm is used to classify the selected features. In classification, 77.66% accuracy was calculated with the Linear SVM algorithm.

🔖

Bu Makaleye Atıf Yap

YAMAN, O., TUNCER, T. (2021). Ensemble NASNet Deep Feature Generator Based Underwater Acoustic Classification Model. Veri Bilimi, Cilt: 4 - Sayı: 2, 33–39. https://ajindex.com/articles/821847

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Choi J, Park J, Lee Y, Jung J, Choi HT. Robust directional angle estimation of underwater acoustic sources using a marine vehicle. Sensors (Switzerland) 2018;18. https://doi.org/10.3390/s18003062.
  2. Koseoglu M, Bereketli A, Yazgi I, Yeni B. Probabilistic broadcast for dense AUV networks. Ocean 2016 MTS/IEEE Monterey, OCE 2016 2016. https://doi.org/10.1109/OCEANS.2016.7761118.
  3. Cho H, Gu J, Joe H, Asada A, Yu SC. Acoustic beam profile-based rapid underwater object detection for an imaging sonar. J Mar Sci Technol 2015;20:180–97. https://doi.org/10.1007/s00773-014-0294-x.
  4. Lee H, Jung HK, Cho SH, Kim Y, Rim H, Lee SK. Real-Time Localization for Underwater Moving Object Using Precalculated DC Electric Field Template. IEEE Trans Geosci Remote Sens 2018;56:5813–23. https://doi.org/10.1109/TGRS.2018.2826556.
  5. Nie D, Sun Z, Qiao G, Liu S, Yin Y. Kite-type passive acoustic detection system for underwater small targets. 2014 Ocean - St John’s, Ocean 2014 2015. https://doi.org/10.1109/OCEANS.2014.7003207.
  6. Isbitiren G, Akan OB. Three-dimensional underwater target tracking with acoustic sensor networks. IEEE Trans Veh Technol 2011;60:3897–906. https://doi.org/10.1109/TVT.2011.2163538.
  7. Jiang J, Wu Z, Lu J, Huang M, Xiao Z. Interpretable features for underwater acoustic target recognition. Meas J Int Meas Confed 2020:108586. https://doi.org/10.1016/j.measurement.2020.108586.
  8. Neves G, Ruiz M, Fontinele J, Oliveira L. Rotated object detection with forward-looking sonar in underwater applications. Expert Syst Appl 2020;140:112870. https://doi.org/10.1016/j.eswa.2019.112870.
  9. Reis CDG, Padovese LR, de Oliveira MCF. Automatic detection of vessel signatures in audio recordings with spectral amplitude variation signature. Methods Ecol Evol 2019;10:1501–16. https://doi.org/10.1111/2041-210X.13245.
  10. Choi J, Choi HT. Multi-target localization of underwater acoustic sources based on probabilistic estimation of direction angle. MTS/IEEE Ocean 2015 - Genova Discov Sustain Ocean Energy a New World 2015. https://doi.org/10.1109/OCEANS-Genova.2015.7271437.
  11. Sierra E, Contreras J. Classification of small boats using fuzzy classifier. Annu Conf North Am Fuzzy Inf Process Soc - NAFIPS 2015;2015-Septe:0–4. https://doi.org/10.1109/NAFIPS-WConSC.2015.7284174.
  12. Fischell EM, Viquez O, Schmidt H. Passive acoustic tracking for behavior mode classification between surface and underwater vehicles. IEEE Int Conf Intell Robot Syst 2018:2383–8. https://doi.org/10.1109/IROS.2018.8593981. Santos-Domínguez D, To