Алгоритм оброблення аудiосигналiв iз використанням методу машинного навчанн

Скорочена інформація про документ
dc.contributor.authorСокольський, С. О.
dc.contributor.authorМовчанюк, А. В.
dc.date.accessioned2023-12-05T10:14:31Z
dc.date.available2023-12-05T10:14:31Z
dc.date.issued2023
dc.description.abstractМалi безпiлотнi лiтальнi апарати або дрони швидко розвиваються та впроваджуються. Але це також збiльшує i загрозу громадськiй та нацiональнiй безпецi через ризики їхнього неправомiрного використання. Перспективним напрямком для вирiшення цiєї проблеми є акустичний метод, що включає в себе аналiз звукових характеристик i доплерiвського зсуву сигнатур безпiлотникiв, використання масивiв мiкрофонiв та методи машинного навчання. Задачею цiєї статтi є розроблення алгоритму для ефективного виявлення та класифiкацiї аудiосигналiв малих безпiлотних лiтальних апаратiв iз використанням згорткової нейронної мережi глибокого навчання, побудова архiтектури та оцiнка ефективностi її роботи. Перед подачею набору аудiозаписiв дронiв на вхiд мережi, пiдвищили їхню якiсть застосувавши нормалiзацiю, Вiнеровську фiльтрацiю, сегментацiю — подiлили аудiо на кадри тривалiстю 25 мс з перекриттям 50% та вiконне керування за допомогою вiкна Хеммiнга, оскiльки у завданнi оброблення аудiосигналiв важливiша точнiсть у часовiй областi. Отриманi данi роздiлили у спiввiдношеннi 60/20/20 на три набори: для навчання, валiдацiї та тестування. Далi представили данi спрощеним набором ознак, визначивши з кожного кадру оброблених аудiосигналiв мел-спектрограми, для фiксацiї часових та спектральних характеристик. Дiапазон частот аналiзу становить межi робочих частот моделi мiкрофону (20 Гц — 20 кГц), частотна роздiлова здатнiсть 50 Гц, а кiлькiсть робочих мел-смуг дорiвнює 30. Використовуючи навчальнi данi та отриманi ознаки аудiосигналiв, розробили архiтектуру нейронної мережi для дослiджень роботи алгоритму виявлення дронiв. Вона складається iз 10 пар шарiв згортки, ReLU, пакетної нормалiзацiї та максимального пулингу. Їхня кiлькiсть визначається розмiром вiкна об’єднання в часi. Наступними є шари згладжування, вiдсiкання, повнозв’язний та Softmax. Для нормалiзацiї вихiдних даних i отримання фiнальних ймовiрностей застосовується шар класифiкацiї. У якостi оптимiзатора для навчання моделi обрано Adam, початкова швидкiсть навчання дорiвнює 0.001, а пiсля проходження 75% епох поступово зменшується у 10 разiв, для покращення збiжностi. Точнiсть розпiзнавання даних складає 99%, оцiнка F1 — 0.93, що вказує на високий рiвень загальної продуктивностi архiтектури. Максимальна вiдстань ефективного виявлення дронiв алгоритмом складає 200 м.uk
dc.description.abstractotherSmall unmanned aerial vehicles (UAVs) rapidly develop and are implemented in various industries to make people’s lives easier. However, there are potential risks in their use, such as unauthorized surveillance of critical infrastructure objects and the delivery of explosive devices, which poses a significant threat to public and national security. The acoustic method promises direction for solving this issue by analyzing the sound characteristics and Doppler shift signatures of UAVs, using microphone arrays and machine learning techniques. The aim of this article is to develop an algorithm for effective detection and classification of drone audio signals using a deep learning convolutional neural network (CNN), constructing its architecture, and evaluating its performance. Before submitting the drone audio dataset into the neural network, the quality of the audio recordings is improved through normalization, Wiener filtering, and segmentation. The audio is segmented into frames with a duration of 25 ms and a 50% overlap, applying Hamming windowing for better accuracy in the time domain, as temporal precision is crucial in audio signal processing. The obtained data is divided into three sets in a 60/20/20 ratio: for training, validation, and testing purposes. Next, the data is represented by a simplified set of features, extracting mel-spectrograms from each frame of the processed audio signals to capture their temporal and spectral characteristics. The frequency range of analysis corresponds to the working frequency limits of the microphone model (20 Hz - 20 kHz), with a frequency resolution of 50 Hz and 30 working mel frequency bands. Using the training data and the extracted audio features, a neural network architecture is developed to investigate the performance of the drone detection and classification algorithm. It consists of 10 pairs of convolutional layers, ReLU activation, batch normalization, and max-pooling layers. The number of these layers is determined by the size of the pooling window along the time dimension. This follows by flattening, dropout, fully connected, and Softmax layers. A classification layer is applied to normalize the output data and obtain final probabilities. The Adam optimizer is chosen for model training. Based on the dataset set, the initial learning rate is set to 0.001, gradually decreasing by a factor of 10 after 75% of the epochs to enhance convergence. The accuracy of the input data recognition reaches 99%, and the F1 score of the trained model is 0.93, indicating a high level of overall architecture performance. The maximum distance of effective detection of drones by the algorithm is 200 m.uk
dc.format.pagerangePp. 39-51uk
dc.identifier.citationСокольський, С. О. Алгоритм оброблення аудiосигналiв iз використанням методу машинного навчання / Сокольський С. О., Мовчанюк А. В. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2023. – Вип. 93. – С. 39-51. – Бібліогр.: 15 назв.uk
dc.identifier.doihttps://doi.org/10.20535/RADAP.2023.93.39-51
dc.identifier.orcid0000-0002-2409-1539uk
dc.identifier.orcid0000-0003-2901-0424uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/62780
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 93uk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectдронuk
dc.subjectмалий безпiлотний лiтальний апаратuk
dc.subjectспектрuk
dc.subjectобробка сигналуuk
dc.subjectвиявлення сигналуuk
dc.subjectзгортковi нейроннi мережiuk
dc.subjectглибоке навчанняuk
dc.subjectdroneuk
dc.subjectsmall unmanned aerial vehicleuk
dc.subjectspectrumuk
dc.subjectsignal processinguk
dc.subjectsignal detectionuk
dc.subjectconvolutional neural networksuk
dc.subjectdeep learninguk
dc.subject.udc004.93uk
dc.titleАлгоритм оброблення аудiосигналiв iз використанням методу машинного навчаннuk
dc.title.alternativeAlgorithm for Processing Audio Signals Using Machine Learninguk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1955-5769-1-10-20230930.pdf
Розмір:
905.09 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 93