كاربرد تبديل فوريه گسسته در زمان در شناسايي سيگنال‌هاي صوتي كشتي‌ها با استفاده از روش‌هاي كاهش بُعد و يادگيري توده‌اي

Application of DWT for Ship’s Acoustic Signal Identification Using Feature Extraction Methods and Ensemble Learning

شناسايي و تفكيك كشتيها توسط سيگنالهاي دريافتي توسط ميكروفونهاي درون آبي (هيدروفونها)، به‌ويژه در بندرهاي تجاري پر رفت‌وآمد، ميتواند كاربردهاي زيادي در مديريت ترافيك در بندرها داشته باشد. با اين‌ حال شناسايي و كلاسهبندي خودكار سيگنالهاي صوتي دريافتي از سيستم سونار غيرفعال به علت تغييرات زياد مشخصه-هاي زماني و فركانسي سيگنال (حتي در شرايطي كه سيگنالها از يك منبع واحد دريافت شده باشند) مسالهاي چالش‌برانگيز است. در اين پژوهش الگوريتم شناسايي سيگنالهاي صوتي مبتني بر تبديل فوريه، روشهاي كاهش بُعد متنوع (آناليز مولفه‌هاي اصلي و همخانوادههاي آن (6 روش) و آناليز تفكيككنندگي و همخانوادههاي آن (3 روش)) و با بهره بردن از روشهاي يادگيري تودهاي (4 مجمع مختلف) با سه ردهبند پرسپترون چندلايه، شبكه عصبي احتمالاتي و ماشين بردار پشتيبان ارايه شده است. با انجام آزمونهاي كارايي متعدد و متنوع، كارايي روشهاي مختلف مورد ارزيابي قرارگرفته و مناسبترين روشها براي الگوريتم پيشنهادي گزينش‌ شده‌اند. از اين الگوريتم براي استخراج ويژگي، كاهش بُعد و كلاسهبندي صداي هشت كشتي استفاده‌ شده است. الگوريتم پيشنهادي بر روي سيگنالهاي واقعي و نيز نسخه آغشته به نويز (با نسبت-هاي سيگنال به نويز 5-، 10- و 15-) آنها تست شده است. نتايج نشان ميدهند كه نرخ كلاسهبندي صحيح الگوريتم پيشنهادي در نسبتهاي سيگنال به نويز 5-، 10- و 15- بهترتيب برابر 83/99، 06/97 و 56/83 درصد است.

Identification and classification of signals which are heard by underwater microphones (hydrophones) can be used extensively in harbor traffic management, especially in economical harbors. However, automatic identification and classification of acoustic signals which are received by passive sonar system is a challenging problem, because of variation in temporal and frequency characteristics of signals (even they are received from a same source). In this paper, a novel method for classification of acoustic signals is presented, based on DWT as preprocessing, a diverse range of feature extraction methods (principal component analysis and its variations (6 methods) and discriminant analysis and its variations (3 methods)), and 4 ensemble learning methods with 3 classifiers (multilayer perceptron (MLP), probabilistic neural network (PNN) and support vector machine (SVM)). Performing a diverse range of performance tests, the performances of different methods are assessed and the best ones are chosen for the proposed method. The proposed method is used to extract features and classify acoustic signals of 8 ships. Using the proposed method, some real signals and their noisy version are classified. The accuracy of the proposed method in classification of test signals with Gaussian white noise with -5, -10 and -15 signal-to-noise ratio is obtained as 99.83%, 97.06% and 83.56%, respectively.