СТВОРЕННЯ ДАТАСЕТУ АКУСТИЧНИХ СИГНАЛІВ ВОДНОГО СЕРЕДОВИЩА ДЛЯ ТРЕНУВАННЯ НЕЙРОМЕРЕЖІ ДЛЯ ПРИДУШЕННЯ ШУМІВ
DOI:
https://doi.org/10.32689/maup.it.2024.2.8Ключові слова:
підводні акустичні сигнали, зашумлення, формування набору даних, нейронна мережаАнотація
Аналіз акустичних сигналів у водному середовищі є складною задачею, яка ускладнюється невеликою кількістю доступних наборів даних, а нейронні мережі є актуальним і потужним інструментом для класифікації акустичних сигналів у водному середовищі. Враховуючи існуючі проблеми в цій галузі, доцільним є створення нейро- мережевого фреймворку, здатного працювати з акустичним шумом, в якому цільовий сигнал зашумлений фоновим шумом водного середовища, що відповідає реальним умовам. Для вирішення цієї задачі може бути використаний фреймворк з декількох нейронних мереж, які в результаті виконують задачі придушення шуму та подальшої класи- фікації. Можливість придушення фонового шуму дозволить підвищити точність класифікації за рахунок фільтрації спектральних складових, які не характерні для плавзасобів. Примутність артефактів, нехарактерних для цільового об'єкта, ускладнює процес класифікації, оскільки зайві характеристики водного середовища призводять до того, що нейронна мережа навчається за шаблонами, не характерними для водних об'єктів, і знижує точність класифікації. Для тестування нейронної мережі на придушення шуму потрібен набір даних з достатнім співвідношенням сигнал/ шум, що відповідає реальним сигналам водного середовища. Крім того, для навчання таких нейронних мереж часто потрібні набори пар чистих і зашумлених зразків, де нейронна мережа буде пригнічувати шум від зашумлених зразків, і мати приклади чистих зразків як еталон для порівняння виконаної роботи. Процес отримання наборів даних про водне середовище шляхом запису реальних шумів є досить дорогим і складним процесом, який не гарантує задовільних результатів. Тому актуальною є задача створення шуму водного середовища із заданим співвідношенням сигнал/шум та наявністю специфічних шумів судна і фонових шумів у необхідному заданому співвідношенні. Мета роботи – створення датасету для тренування нейромережі для придушення фонових шумів водного се- редовища. Методологія. Програмне забезпечення для створення датасету та програмний код нейромережі розроблені з застосуванням мови Python в середовщі Microsoft Visual Studio Code. Наукова новизна. Було покращено підхід до створення датасету водного середовища з двох датасетів, запропо- новано напрям подальшої роботи для отримання кращих результатів. Висновки. Запропонованй підхід до створння датасету показав нижче співвідношення сигналу та шуму в порів- нянні з підходом, описаним у статті. Описані подальші плани стосовно розробки та покращення датасету.
Посилання
Вимірювальні системи та програмне забезпечення для морських охоронних систем і дослідницьких полі- гонів: звіт про НДР (заключ.) НТУУ «КПІ»; кер. роб. Є. Мачуський. – К., 2012. – 104 л. + відеосюжет + CD-ROM. – Д/б No2429-п.
AshrafH.,JeongY.,LeeC.H.Underwaterambient-noiseremovingGANbasedonmagnitudeandphasespectra.IEEE Access, 2021. 9, pp.24513–24530.
Doan V. S., Huynh-The T., Kim D. S. Underwater acoustic target classification based on dense convolutional neural network. IEEE Geoscience and Remote Sensing Letters, 2020. 19, pp.1–5.
ErM.J.,ChenJ.,ZhangY.,GaoW.Researchchallenges,recentadvances,andpopulardatasetsindeeplearning-based underwater marine object detection: A review. Sensors, 2023. 23(4), p.1990.
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y., Generative adversarial nets. Advances in neural information processing systems, 27. 2014.
Irfan M., Jiangbin Z.H.E.N.G., Ali S., Iqbal M., Masood Z., Hamid, U. DeepShip: An underwater acoustic benchmark dataset and a separable convolution based autoencoder for classification. Expert Systems with Applications, 2021. 183, p.115270.
IsolaP.,ZhuJ.Y.,ZhouT.,EfrosA.A.Image-to-imagetranslationwithconditionaladversarialnetworks.InProceedings of the IEEE conference on computer vision and pattern recognition, 2017. pp. 1125–1134.
Khishe M., Mohammadi H. Passive sonar target classification using multi-layer perceptron trained by salp swarm algorithm. Ocean Engineering, 2019. 181, pp.98–108.
Robert J., Webbie M., others. Pydub. GitHub. 2018. Retrieved from http://pydub.com/].
RonnebergerO.,FischerP.,BroxT.U-net:Convolutionalnetworksforbiomedicalimagesegmentation.InMedical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, 2015. part III 18 (pp. 234–241). Springer International Publishing.
