Огляд та порівняння методів машинного навчання для розпізнаванні гідроакустичних сигналів

Скорочена інформація про документ
dc.contributor.authorВерлань, А. А.
dc.contributor.authorОлексій, А. О.
dc.date.accessioned2023-11-21T08:41:24Z
dc.date.available2023-11-21T08:41:24Z
dc.date.issued2022
dc.description.abstractУ статті представлені алгоритми машинного навчання, які можна застосуванти яя класифікатор гідроакустичних сигналів. Спочатку, розглядався процес вилучення характеристик сигналу, серед яких були представлені методи: розріджене розкладання, генеративний процес створення сигналу та перетворення Фур’є. Розріджене розкладання не часто застосовується, оскільки, майже всі наявні алгоритми розрідженого розкладання мають значну обчислювальну складність, що серйозно впливає на практичне застосування цих алгоритмів і обмежує розріджене представлення за переповненим словником. Генеративний процес хоч і може згенерувати звуки з бажаними показниками, створення сигналу є досить затратним та не завжди відображає звуки в реальному середовищі. Ефективним та перевіреним способом є перетворення Фур’є, що широко застосовується для обробки сигналів в багатьох областях. Уніерсальність цього методу була показана у порівнянні обробки гідроакустичного сигналу та сигналу зображення, де цей підхід мав місце у обох прикладах. Були розглянуті наступні підходи машинного навчання: метод опорнх векторів, дерево рийняття рішень та нейронна мережа. Якщо є велика вибірка даних і потрібна висока точність класифікації, тоді варто обрати нейронну мережу. Значна кількість типів моделей та алгоритмів нейронних мереж дозволяє мати широкий спектр можливостей вирішення поставлених задач. Якщо вибірка мала, потрібна висока точність і швидкість, то добрим вибором буде метод опорних векторів. Метод опорних векторів був створений для задач бінарної класифікації. Застосування алгоритму для вирішення завдань багатокласової класифікації потребує додаткових модифікацій. При застосуванні методу опорних векторів, слід остерігатися великих обсягів даних, при яких можливе перенавчання. Якщо потрібно не витрачати багато зусиль на підготовку даних, потрібен простий та непараметричний алгоритм у цьому разі варто обрати дерево прийняття рішень. Дерево прийняття рішень застосовується для вирішення задач бінарної та мультикласової класифікації.uk
dc.description.abstractotherThe study of acoustic signals has significant scientific and applied potential, the results of which can be applied in the recognition of human speech, identification of objects as sources of hydroacoustic radiation, and many other areas. When identifying hydroacoustic signals, a number of problems arise, which include the receipt of damaged data, reverberation and big data. In the presence of big data, a significant amount of human effort is required to quickly determine acoustic features. It should be borne in mind that the input data may contain features that cannot be interpreted by human perception. Even with machines running, there can be problems interpreting corrupted data or having effective and accurate ways to identify signals. These problems are solved by methods of artificial intelligence, particularly machine learning. Machine learning in acoustics is an area that is evolving rapidly and has many ways to solve these problems. The use of machine learning technology has made significant progress in the analysis of hydroacoustic signals. Let us consider the main approaches used in the extraction of useful data from signals and in the recognition of hydroacoustic signals.uk
dc.format.pagerangeС. 296-306uk
dc.identifier.citationВерлань, А. Огляд та порівняння методів машинного навчання для розпізнаванні гідроакустичних сигналів / Верлань, А., Олексій, А. // Інфокомунікаційні та комп’ютерні технології. - 2022. - 1(03). - С. 296-306.uk
dc.identifier.doihttps://doi.org/10.36994/2788-5518-2022-01-03-18
dc.identifier.issn2788-5518
dc.identifier.orcid0000-0002-6469-2638uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/62327
dc.language.isoenuk
dc.relation.ispartofІнфокомунікаційні та комп’ютерні технології, 1(03)uk
dc.subjectідентифікація гідроакустичних сигналівuk
dc.subjectмашинне навчанняuk
dc.subjectдерево прийняття рішеньuk
dc.subjectметод опорних векторівuk
dc.subjectобробка сигналуuk
dc.subjectнейромережаuk
dc.subject.udc004.85uk
dc.titleОгляд та порівняння методів машинного навчання для розпізнаванні гідроакустичних сигналівuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Ohliad_ta_porivniannia_metodiv_mashynnoho_navchannia.pdf
Розмір:
787.32 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

Статті (ІПЗЕ)