Εφαρμογή αλγορίθμων μηχανικής μάθησης και νευρωνικών δικτύων για την ταξινόμηση υπερηχητικών σημάτων sonar

Abstract

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 %.