Εφαρμογή αλγορίθμων μηχανικής μάθησης και νευρωνικών δικτύων για την ταξινόμηση υπερηχητικών σημάτων sonar
Implementation of machine learning algorithms and neurals networks for the classification of sonar signals
Λέξεις-κλειδιά
Σόναρ ; Τεχνητή νοημοσύνη ; Μηχανική μάθηση ; Εποπτευόμενη μάθηση ; Ταξινόμηση ; Επεξεργασία σημάτων ; Artificial intelligence ; Machine learning ; Supervised learning ; Signal processing ; SonarΠερίληψη
Στην παρούσα διπλωματική εργασία επιχειρήθηκε η εξέταση βελτίωσης της ακρίβειας πρόβλεψης όσον αφορά την επεξεργασία, αναγνώριση και ταξινόμηση στόχων που προέρχονται από υπερηχητικά σήματα Sonar. Η εργασία εντάσσεται στην ευρύτερη περιοχή της Τεχνητής Νοημοσύνης και επί το πλείστον της Μηχανικής Μάθησης ως εργαλείο βελτίωσης εφαρμογών που σχετίζονται με την επεξεργασία ηχητικών σημάτων (signal processing). Αξίζει να σημειωθεί ό,τι η παρούσα έρευνα βασίστηκε πάνω στα δεδομένα προηγούμενης έρευνας των Gorman & Sejnowski, (1988), οι οποίοι για πρώτη φορά μελέτησαν τη συγκεκριμένη σειρά δεδομένων και η οποία αφορούσε την ταξινόμηση επιστροφών Sonar από δύο διαφορετικά υποθαλάσσια αντικείμενα, ένα μεταλλικό με την ετικέτα “Mine” και ένα βράχο με την ετικέτα “Rock” χρησιμοποιώντας νευρωνικά δίκτυα.
Το θεωρητικό πλαίσιο που εφαρμόστηκε εστιάζει κυρίως στη μηχανική μάθηση και στην αξιοποίηση μιας σειράς αλγόριθμων κατάλληλων σε προβλήματα ταξινόμησης εποπτευόμενης μάθησης (classification problems), που έχουν ως στόχο την ανάπτυξη μοντέλων, ικανών να εντοπίζουν θαλάσσιους στόχους λαμβάνοντας υπόψη βασικά χαρακτηριστικά τους. Από την ανάλυση του συνόλου του δείγματος που ακολουθήθηκε και αφορά στην ταξινόμηση 208 ηχητικών σημάτων sonar καθώς και από την επιλογή του καταλληλότερου μοντέλου που απέδωσε καλύτερα στα προς μελέτη δεδομένα και παρείχε το μεγαλύτερο ποσοστό πρόβλεψης, προέκυψαν ορισμένα ενδιαφέροντα αποτελέσματα τα οποία ανέδειξαν σε ικανοποιητικό βαθμό, την ικανότητα των
μοντέλων μηχανικής μάθησης καθώς και των νευρωνικών δικτύων στην επίλυση ζητημάτων ταξινόμησης. Συγκεκριμένα την μεγαλύτερη απόδοση όσον αφορά τους αλγόριθμους μηχανικής μάθησης κατείχε ο Support Vector Classifier με ποσοστό
91%, εκπαιδευόμενος σε 169 δείγματα και ποσοστό 88% ταξινομώντας ορθά 37 από τα 42 άγνωστα δείγματα του σετ δοκιμής. Επιπλέον, η αξιοποίηση της αρχιτεκτονικής νευρωνικών δικτύων συνέβαλε επιτυχώς στην ταξινόμηση των υπερηχητικών επιστροφών του ηχοβολιστικού, συγκεντρώνοντας ποσοστό 98.4% σε 169 δείγματα εκπαίδευσης (80% των συνολικών δεδομένων), αξιολογούμενα στο σετ επικύρωσης (validation test) με 21 δείγματα και στο άγνωστο σετ δοκιμής (test data) 21 δειγμάτων συγκεντρώνοντας ποσοστό 95.2 %.
Περίληψη
In the present thesis, an attempt has been made to improve the accuracy of the processing, recognition and classification of targets derived from sonar ultrasonic signals. The work is part of the wider area of Artificial Intelligence and mostly of Machine Learning as a tool for improving applications related to signal processing. It is worth noting that the present study was based on the sonar dataset from a previous study by Gorman & Sejnowski, (1988), who for the first time studied this dataset which concerned the classification of Sonar returns from two different underwater objects, a metal with labeled "Mine" and a rock labeled "Rock" using neural networks. The theoretical framework applied focuses mainly on machine learning and the utilization of a series of algorithms suitable for classification problems that aim to develop models capable of locating marine objectives taking into account their key characteristics. From the analysis of the total sample of 208 sonar ultrasonic signals and the selection of the most suitable model which provides the highest percentage of prediction in this dataset, interesting results were obtained which satisfactorily showed the ability of machine learning models as well as neural networks to solve classification issues. Specifically, the highest performance of the machine learning algorithms was held by the Support Vector Classifier with a percentage of 91%.
trained in 169 samples and a percentage of 88%, correctly classifying 37 of the 42 unknown samples of the test set. The utilization of neural network architecture - 115 - successfully contributed to the classification of sonar ultrasonic returns with a rate of
98.4% trained in 169 samples (80% of the total data), evaluated in the validation set in 21 samples and in the unknown test set (test data) 21 samples at a rate of 95.2%.
Αριθμός σελίδων
115Σχολή
Σχολή ΜηχανικώνΑκαδημαϊκό Τμήμα
Τμήμα Μηχανικών Βιομηχανικής Σχεδίασης και ΠαραγωγήςΤίτλος Προγράμματος Μεταπτυχιακών Σπουδών
Νέες Τεχνολογίες στη Ναυτιλία και τις ΜεταφορέςΓλώσσα
Ελληνικά
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές