Синтез алгоритма классификации подводных объектов на основе анализа спектров их шумов
Аннотация
В последнее время возросла угроза безопасности гидротехнических объектов, что требует создания новых и совершенствования существующих систем гидроакустического мониторинга. Необходимость снижения вероятности ложной тревоги в таких системах актуализирует вопросы разработки оптимального алгоритма классификации подводных объектов по их гидроакустическому полю. Известные алгоритмы классификации ориентированы на постобработку гидроакустической информации, обладают высокой вычислительной сложностью и не могут быть реализованы в устройствах с ограниченными вычислительными ресурсами. В работе описывается разработка алгоритма для распознавания и классификации гидроакустических шумов техногенного и биологического происхождения за счет использования значимых спектральных признаков. Решение задачи классификации подводных объектов основано на использовании математического аппарата теории нечётких множеств. В качестве математической модели блока классификации измерительного узла (буя) используется нечёткое отношение, которое описывает ситуацию классификации подводных объектов по спектру их шума. Эффективность алгоритма классификации оценивается при помощи пакета Fuzzy Logic Toolbox, входящего в состав системы Matlab. В представленном алгоритме классификации в качестве классификационных признаков используются гармонические составляющие спектра шума подводного объекта. Алгоритм имеет невысокую вычислительную сложность и может быть легко реализован в измерительном узле системы гидроакустического мониторинга. Использование в алгоритме математического аппарата теории нечётких множеств делает его не критичным к размерности вектора классификационных признаков. Представленный алгоритм классификации может быть реализован в радиогидроакустическом буе на микроконтроллерах или ПЛИС, что будет способствовать снижению вероятности ложной тревоги, увеличению скрытности и времени работы буя.
Литература
2. Starodubtsev P.A., Storozhok E.A., Alifanov R.N. Reduction of false alarm probability in the measuring node of the hydroacoustic monitoring system. Journal of Siberian Federal University. Engineering & Technologies. 2020;13(5):568-577. (In Russ., abstract in Eng.) https://doi.org/10.17516/1999-494X-0246
3. Mashoshin A.I. Syhthesis of Algorithms for the Classification of Underwater Objects from Their Underwater Sound Field. Akusticheskij zhurnal. 1996;42(3):396-400. Available at: http://akzh.gpi.ru/pdf/1996_3_396-400.pdf (accessed 23.10.2023). (In Russ., abstract in Eng.)
4. Liu Y., He Z., Zhang S., Shi S., Zhang B. Ship-Radiated Noise Recognition Based on Swin-Transformer. In: 2024 7th International Conference on Information Communication and Signal Processing (ICICSP). Zhoushan, China: IEEE Press; 2024. p. 976-980. https://doi.org/10.1109/ICICSP62589.2024.10809123
5. Mashoshin A.I., Shafranyuk Y.V. The automatic target recognition algorithm based on the signal modulation analyses. Fundamental and Applied Hydrophysics. 2014;7(4):78-85. (In Russ., abstract in Eng.) EDN: TAQWPR
6. Mashoshin A.I. Optimization of a device for detecting and measuring parameters of amplitude modulation of underwater noise emission of seagoing vessels. Acoustical Physics. 2013;59(3):305-311. https://doi.org/10.1134/S106377101303010X
7. Jasmitha B., Bharathi M., Nivetha S., Mahmood Farshana S., Veera Anusuya V. Underwater Object Prediction Using Sonar Waves. International Research Journal on Advanced Engineering Hub. 2024;2(02):62-65. https://doi.org/10.47392/IRJAEH.2024.0013
8. Lin L., Chen Y., Wang F. Underwater Passive Target Recognition Based on Self-Supervised Contrastive Learning. In: 2024 3rd International Conference on Artificial Intelligence, Internet of Things and Cloud Computing Technology (AIoTC). Wuhan, China: IEEE Press; 2024. p. 375-380. https://doi.org/10.1109/AIoTC63215.2024.10748295
9. Kuzin D., Statsenko L. Comparative analysis of machine learning models in classifying hydroacoustic noises of sea vessels. FEFU: School of Engineering Bulletin. 2022;(2):62-68. (In Russ., abstract in Eng.) https://doi.org/10.24866/2227-6858/2022-2/62-68
10. Storozhok E.A., Dorofeev G.V., Starodubtsev P.A. Сlassification of signals using neural network technology. Journal of Siberian Federal University. Engineering & Technologies. 2022;15(3):318-324. (In Russ., abstract in Eng.) https://doi.org/10.17516/1999-494X-0394
11. Srividhya K., Ramya M.M. Fuzzy-Based Adaptive Denoising of Underwater Images. International Journal of Fuzzy Systems. 2017;19(4):1132-1143. https://doi.org/10.1007/s40815-016-0281-y
12. Zu Y., Zhang L., Li S., Fan Y., Liu Q. EF-UODA: Underwater Object Detection Based on Enhanced Feature. Journal of Marine Science and Engineering. 2024;12(5):729. https://doi.org/10.3390/jmse12050729
13. Zhang J., Qi H., Jiang R., Guo Z. Acoustic Imaging of Underwater Moving Targets Based on Inverse Synthetic Aperture Technique. In: 2024 International Conference on Cloud and Network Computing (ICCNC). Jinhua, China: IEEE Press; 2024. p. 1-8. https://doi.org/10.1109/ICCNC63989.2024.00010
14. Li J., et al. Automatic Modulation Recognition of Underwater Acoustic Signals Using a Two-Stream Transformer. IEEE Internet of Things Journal. 2024;11(10):18839-18851. https://doi.org/10.1109/JIOT.2024.3367852
15. Kristalinskii V.R. On Predicting Learning Outcomes Based on Fuzzy Modeling. Modern Information Technologies and IT-Education. 2021;17(2):453-463. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.17.202102.453-463
16. Brown J.C. Calculation of a constant Q spectral transform. The Journal of the Acoustical Society of America. 1991;89(1):425-434. https://doi.org/10.1121/1.400476
17. Cao X., Togneri R., Zhang X., Yu Y. Convolutional Neural Network With Second-Order Pooling for Underwater Target Classification. IEEE Sensors Journal. 2019;19(8):3058-3066. https://doi.org/10.1109/JSEN.2018.2886368
18. Choi J., Choo Y., Lee K. Acoustic Classification of Surface and Underwater Vessels in the Ocean Using Supervised Machine Learning. Sensors. 2019;19(16):3492. https://doi.org/10.3390/s19163492
19. Filho W.S., de Seixas J.M., de Moura N.N. Preprocessing passive sonar signals for neural classification. IET Radar, Sonar & Navigation. 2011;5(6):605-612. https://doi.org/10.1049/iet-rsn.2010.0157
20. Saritha S., Thangaraja G.A. Prediction of crop disease using Rank Regressive Learning and Proaftn Fuzzy Classification models. Soft Computing. 2023. https://doi.org/10.1007/s00500-023-08357-9
21. Sati N.U. A Novel Membership Function Definition for Fuzzy Classification. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2023;28(2):423-430. https://doi.org/10.53433/yyufbed.1239769
22. Zaitseva E., et al. A New Fuzzy-Based Classification Method for Use in Smart/Precision Medicine. Bioengineering. 2023;10(7):838. https://doi.org/10.3390/bioengineering10070838
23. Lai K.C., et al. A fuzzy classification framework to identify equivalent atoms in complex materials and molecules. The Journal of Chemical Physics. 2023;159(2):024129. https://doi.org/10.1063/5.0160369
24. Javaheri D., Gorgin S., Lee J.-A., Masdari M. Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods: Classification, overview, and future perspectives. Information Sciences. 2023;626:315-338. https://doi.org/10.1016/j.ins.2023.01.067
25. Yin R., et al. A rule-based deep fuzzy system with nonlinear fuzzy feature transform for data classification. Information Sciences. 2023;633:431-452. https://doi.org/10.1016/j.ins.2023.03.071
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
