Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử: Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

6
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử: "Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo" được nghiên cứu với mục tiêu: Đề xuất thuật toán, xây dựng mô hình toán học, chứng minh tính hiệu quả của phương pháp tiền xử lý tín hiệu trong trích chọn đặc trưng dữ liệu. Bên cạnh đó, xây dựng cấu trúc mô hình mạng trí tuệ nhân tạo nâng cao khả năng học từ cấu trúc dữ liệu. Đánh giá, so sánh hiệu quả với các kết quả trên cùng tập dữ liệu.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật điện tử: Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ BẠCH NHẬT HOÀNG NGHIÊN CỨU GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG PHÂN LOẠI TÍN HIỆU THỦY ÂM TẠI VÙNG BIỂN NƯỚC NÔNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO Ngành : Kỹ thuật điện tử Mã số : 9 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2023
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - BỘ QUỐC PHÒNG Người hướng dẫn khoa học: 1. PGS. TS Nguyễn Văn Đức 2. TS Vũ Lê Hà Phản biện 1: GS.TS Vũ Văn Yêm Phản biện 2: PGS.TSKH Hoàng Đăng Hải Phản biện 3: TS Phan Huy Anh Luận án được bảo vệ trước Hội đồng đánh giá luận án Tiến sĩ cấp Viện, họp tại Viện Khoa học và Công nghệ quân sự, vào hồi......giờ......, ngày.......tháng..... năm 2023. Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học và Công nghệ quân sự - Thư viện Quốc gia Việt Nam
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Theo lý thuyết định vị, tùy theo chức năng và công dụng mà trong hệ thống định vị thủy âm sonar có thể có từ một đến bốn bài toán cơ bản gắn với xử lý tín hiệu thủy âm: phát hiện nguồn âm; định vị nguồn âm; phân loại và nhận dạng nguồn âm; giám sát nguồn âm. Bài toán phân loại tín hiệu nằm ở lớp thứ ba, có khối lượng tính toán lớn, độ phức tạp cao. Đặc biệt trong khu vực môi trường nước nông là vùng không gian có độ bất định cao, có nhiều nguồn âm đa dạng, và các yếu tố vật lý phức tạp làm cho bài toán xử lý tín hiệu vùng biển nước nông càng trở nên phức tạp. Các nguồn âm ở đại dương có thể chia thành hai loại chính là nguồn sinh học và phi sinh học. Trong đó, quá trình di chuyển của tàu thuyền là nguồn chính gây ra tiếng ồn phi sinh học. Nguồn âm phi sinh học đến từ các sinh vật biển cỡ lớn có giải tần chồng lấn với nhiều tín hiệu nhân tạo khác, đã dẫn đến các khó khăn trong các hoạt động quốc phòng an ninh và kinh tế dân sự. Sự thiếu hụt các cơ sở dữ liệu thuỷ âm vì nhiều lí do cùng với các yếu tố phức tạp trong môi trường làm quá trình phân loại tín hiệu thủy âm trở thành một thách thức. Một hệ thống phân loại theo nguyên lý sonar không những phải đạt yêu cầu nhận dạng các đối tượng chính xác hơn, mà còn phải có tính thích ứng với các điều kiện khác nhau. Trước đây xử lý tín hiệu theo nguyên lý sonar dựa vào các mô hình lan truyền trên nguyên tắc vật lý của môi trường đã biết; bằng việc nghe và quan sát phổ, các trắc thủ sonar sẽ đưa ra các quyết định về tín hiệu thủy âm này sẽ thuộc về lớp đối tượng nào. Trong thực tế vận hành, yếu tố con người khó duy trì sự ổn định theo thời gian dài, cùng một mẫu tín hiệu có thể có đánh giá khác nhau giữa các trắc thủ, thậm chí với cùng một trắc thủ tại các thời điểm khác nhau. Trong những năm gần đây, phương pháp ứng dụng trí tuệ nhân tạo để phân loại tín hiệu thủy âm đang được cộng đồng nghiên cứu quan tâm sâu sắc. Ở Việt Nam, các nhóm nghiên cứu ở Đại học Bách khoa Hà Nội, Học viện kỹ thuật Quân sự, Viện Khoa học và Công nghệ Quân sự, Đại học Công nghệ ... đã có các kết quả tốt về học thuật cũng như công nghệ trong chuyên ngành: mô hình kênh thủy âm, xử lý tín hiệu bằng trường phối hợp, thiết kế chế tạo thiết bị truyền tin dưới nước. Tuy nhiên các nghiên cứu về phân loại tín hiệu thủy âm theo nguyên lý sonar thụ động ứng dụng trí tuệ nhân tạo không có nhiều. Từ cơ sở trên, các nghiên cứu về phân loại tín hiệu thủy âm là rất cần thiết, có ý nghĩa về mặt học thuật cũng như thực tiễn. Do đó, nghiên cứu
2 sinh đã lựa chọn đề tài: “Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo”. Kết quả nghiên cứu của luận án sẽ đóng góp thêm cơ sở khoa học để tiếp tục các hướng nghiên cứu tiếp theo, tiến tới làm chủ giải pháp kỹ thuật, phát triển hệ thống xử lý tín hiệu thủy âm. 2. Mục tiêu nghiên cứu của luận án Luận án tập trung vào đề xuất thuật toán, xây dựng mô hình toán học, chứng minh tính hiệu quả của phương pháp tiền xử lý tín hiệu trong trích chọn đặc trưng dữ liệu. Bên cạnh đó, xây dựng cấu trúc mô hình mạng trí tuệ nhân tạo nâng cao khả năng học từ cấu trúc dữ liệu. Đánh giá, so sánh hiệu quả với các kết quả trên cùng tập dữ liệu. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: phân loại tín hiệu thủy âm theo nguyên lý sonar bằng mô hình kết hợp hai giai đoạn giữa tiền xử lý và mô hình trí tuệ nhân tạo. Phạm vi nghiên cứu: tín hiệu giao tiếp giữa các sinh vật biển, tín hiệu của các lớp tàu chân vịt trong qúa trình di chuyển. 4. Phương pháp nghiên cứu Luận án sử dụng phương pháp tham khảo tài liệu, phân tích lý thuyết, xây dựng chứng minh toán học kết hợp mô phỏng trên dữ liệu thực tế. 5. Nội dung nghiên cứu Để đạt được các mục tiêu đặt ra, luận án thực hiện các nội dung nghiên cứu như sau: nghiên cứu bản chất vật lý của các tín hiệu sinh học và phi sinh học; mô phỏng lại các nghiên cứu có liên quan để đối chứng; thu thập và xử lý các dữ liệu thực tế; thực hiện đánh giá thuật toán. 6. Ý nghĩa khoa học và thực tiễn của đề tài luận án Kết quả nghiên cứu của luận án góp phần bổ sung cơ sở khoa học, phương án kỹ thuật và giải pháp thực tế trong tính toán và thiết kế các khối xử lý tín hiệu số của hệ thống sonar. Thúc đẩy hướng phát triển về nghiên cứu ứng dụng trí tuệ nhân tạo trong nghiên cứu sonar, từng bước làm chủ kỹ thuật để thay thế và chế tạo các khối chức năng trong hệ thống sonar. 7. Bố cục của luận án Bố cục chính của Luận án gồm 3 chương: Chương 1: Tổng quan về phân loại tín hiệu thủy âm sinh học và phi sinh học tại vùng biển nước nông. Chương 2: Phân loại tín hiệu tàu chân vịt bằng giải pháp biến thiên biên độ phổ kết hợp mạng tích chập tùy biến.
3 Chương 3: Phân loại tín hiệu giao tiếp sinh vật biển và tàu chân vịt bằng giải pháp nội suy khối nối trục kết hợp phân phối xác suất trong miền không gian ẩn. Chương 1 TỔNG QUAN VỀ PHÂN LOẠI TÍN HIỆU THỦY ÂM SINH HỌC VÀ PHI SINH HỌC VÙNG BIỂN NƯỚC NÔNG 1.1. Tín hiệu thủy âm sinh học-phi sinh học và hệ thống phân loại tín hiệu thủy âm vùng biển nước nông 1.1.1. Đại dương và các đặc trưng truyền âm vùng biển nước nông Nguồn tín hiệu âm dưới nước được tạo ra bởi nhiều đối tượng từ các hoạt động trên biển của tàu thuyền, khai thác tài nguyên biển, tín hiệu giao tiếp sinh vật biển, rung động địa chấn dưới đáy biển, gió, sét... Việc phân loại tự động các dạng tín hiệu âm này là một nhiệm vụ phức tạp, vì tín hiệu tàu phụ thuộc vào tốc độ, niên hạn hoạt động và trạng thái của hệ thống đẩy; sự phức tạp trong cơ chế phát sóng âm của các sinh vật biển; bên cạnh đó là nhiễu nền thay đổi phức tạp và sự đa dạng của các cơ chế truyền âm trong đại dương. Đặc biệt trong môi trường biển nước nông, là môi trường bị ảnh hưởng rất lớn bởi nhiễu nền, các hiện tượng đa đường, dịch tần doppler... Các giải pháp tính toán thống kê sẽ là một hướng tiếp cận phù hợp để xử lý các vấn đề liên quan đến âm học đại dương. 1.1.2. Các nguồn âm sinh học, phi sinh học Đại dương luôn là một môi trường phức tạp chứa nhiều nguồn âm cùng tồn tại. Trước đây, phần lớn các tín hiệu trong môi trường biển đến từ nguồn tự nhiên như bão, động đất, sinh vật biển... nhưng với sự phát triển của thời đại công nghiệp, các tín hiệu này cũng tăng lên đang kể từ các hoạt động của con người, bao gồm hoạt động vận tải, khai thác biển, các hệ thống sonar... Không phải tất cả tín hiệu âm đều được tạo ra như nhau và cũng không hoàn toàn giống nhau ngay cả trong trường hợp được sinh ra từ cùng một nguồn âm. Sự tuần hoàn, ngẫu nhiên, biến thiên, sự chồng lấn của các giải tần giữa các nguồn âm nhân tạo và tự nhiên đã làm cho môi trường biển càng trở nên phức tạp hơn. 1.1.3. Hệ thống phát hiện tín hiệu thủy âm theo nguyên lý sonar 1.2. Các phương pháp phân loại tín hiệu thủy âm cổ điển Trong lĩnh vực âm học đại dương, tín hiệu thủy âm được định nghĩa là tín hiệu một chiều có biên độ dao động theo thời gian nên các đặc trưng chính của dữ liệu thủy âm sẽ được thu thập tốt nhất trong miền tần số.
4 1.2.1. Biến đổi miền thời gian-tần số 1.2.2. Thuật toán LOFAR LOFAR là phép phân tích phổ băng rộng được sử dụng để xử lý các tín hiệu thủy âm sinh ra từ các động cơ của tàu trong quá trình hoạt động. Các bước thực hiện bao gồm: tín hiệu thu được số hóa, triệt xung răng cưa, hạ tần, nhân với cửa sổ Hanning, cuối cùng là biến đổi FFT. 1.2.3. Thuật toán CMS 1.2.4. Thuật toán DEMON DEMON là một tập hợp các thuật toán dùng để phân tích tín hiệu thủy âm băng hẹp dựa trên nguyên tắc coi tiếng ồn hay tín hiệu thủy âm được tạo ra bởi các tàu biển như chân vịt trục quay động cơ như là đường bao điều chế biên độ của các dạng sóng mang có tần số f đặc trưng. Hình 1.9: DEMON truyền thống Tín hiệu thủy âm này là một dạng sóng ngẫu nhiên đặc trưng cho tiếng ồn xâm thực và dạng sóng điều chế, xác định tính tuần hoàn của vòng quay chân vịt với tần số cơ bản. Từ tín hiệu thủy âm thô thu được, tính đường bao điều chế, ước lượng tần số sóng mang bằng phân tích Fourier. Tần số quay của trục cánh quạt, chân vịt của tàu chính là các dấu hiệu đặc trưng nhất để phát hiện và nhận dạng đối tượng. Hình 1.10: Cải tiến DEMON bằng hạ tần Trong thực tế, khi thực hiện kỹ thuật DEMON đã có nhiều các biến thể khác nhau trên cơ sở thuật toán DEMON tổng quát như Hình 1.8. Các biến thể trong Hình 1.9, Hình 1.10 đều hướng tới mục đích ước lượng sao cho chính xác nhất tần số điều chế của chân vịt. Hình 1.11: Cải tiến DEMON bằng bộ lọc Hilbert
5 1.3. Các phương pháp phân loại tín hiệu thủy âm hiện đại 1.3.1. Mô hình máy Boltzman rời rạc 1.3.2. Mô hình tự mã Mô hình Auto-Encoder sẽ chuyển dữ liệu thủy âm thu được từ nhiều chiều về một không gian có chiều thấp hơn, thông qua việc sử dụng thêm các hàm kích hoạt sẽ làm mô hình AE có khả năng học các mối quan hệ phi tuyến. Tuy nhiên, không gian ẩn của AE sẽ gặp phải hai vấn đề là: mất tính liên tục và mất tính đầy đủ. 1.3.3. Mô hình mạng học sâu tích chập Do cách biểu diễn ảnh phổ của dữ liệu thủy âm có thể quy về định dạng kiểu hình ảnh nói chung, khi cùng biểu diễn dữ liệu qua hai chiều (kích thước không gian đối với hình ảnh và thời gian-tần số đối với ảnh phổ). Vì vậy, những tiến bộ gần đây của mạng Nơ-ron tích chập đã thúc đẩy việc cải thiện độ chính xác phân loại của các giải pháp hiện có. Mạng tích chập được cấu hình theo dạng chuyển tiếp, các lớp không kết nối hoàn toàn. Tập hợp các kết nối này được gọi là bộ lọc và được sử dụng lặp đi lặp lại thông qua các nút đến, bằng cách thay đổi điểm đầu và điểm cuối của các kết nối, để tạo ra các đầu ra tín hiệu mới. 1.4. Tình hình nghiên cứu trong-ngoài nước về phân loại tín hiệu thủy âm và một số vấn đề còn tồn tại Các phương pháp phân loại tín hiệu thuỷ âm hiện nay được chia thành ba xu hướng chính: thứ nhất là xu hướng không sử dụng bước tiền xử lý mà chỉ sử dụng học sâu tích chập và học máy; thứ hai là xu hướng sử dụng bước tiền xử lý bằng bộ lọc phỏng sinh học, kỹ thuật biến đổi miền thời gian-tần số trước khi sử dụng trí tuệ nhân tạo; thứ ba là xu hướng học chuyển giao thừa hưởng các kết quả từ các lĩnh vực có liên quan khác. Các nguồn dữ liệu với ký hiệu (*) là không công khai, (**) là bộ dữ liệu ShipEars, (***) là bộ dữ liệu Deepship., (****) là bộ dữ liệu NOAA. 1.4.1. Chỉ sử dụng thuật toán trí tuệ nhân tạo Thay vì áp dụng phương pháp tiếp cận hai giai đoạn, mô hình phân loại chỉ sử dụng mạng Nơ-ron sẽ đưa các tín hiệu âm chưa qua xử lý vào lọc trực tiếp tại các nút của mạng tích chập. Bảng 1.4 Một số kết quả chỉ sử dụng thuật toán trí tuệ nhân tạo Mô hình Đối tượng Kết quả Công bố HMM Tầu ngầm (*) Phân loại: 65,6% 1998 CNN Tàu nổi (*) Phân loại: 79,2% 2018 Deep CNN Tàu nổi (*) Phát hiện: 81,96% 2019
6 MSRDN Tàu nổi (*) Phân loại: 83,15% 2021 CNN Tàu nổi (**) Phân loại: 88,92% 2021 CNN Phân loại: 76,35% SVM Phân loại: 72,24% Tàu nổi (***) 2021 RF Phân loại: 69,71% Naive-Bayes Phân loại: 53,97% CNN Tàu nổi (*) Phân loại: 66,72% 2022 CNN Tàu nổi (*) Phát hiện: 96,67% 2022 AutoEncoder Sinh vật biển (*) Phân loại: 82,59% 2022 AutoEncoder Cá heo (*) Phân loại: 86% 2020 1.4.2. Tiền xử lý trước khi sử dụng thuật toán trí tuệ nhân tạo Một đặc trưng quan trọng của tín hiệu thuỷ âm là thành phần tần số đặc trưng được phân bố trong miền thời gian, nên cách tiếp cận sử dụng các biến đổi miền tần số và miền thời gian-tần số đã được sử dụng để phân loại các tín hiệu tàu chân vịt và tín hiệu giao tiếp sinh vật biển. Bảng 1.5 Một số kết quả về tiền xử lý kết hợp trí tuệ nhân tạo Tiền xử lý Phân loại Đối tượng Kết quả Công bố Phát hiện: 82,7% DEMON ICA Tàu nổi (*) 2011 Phân loại: 92% LOFAR SVM Tàu nổi (*) Phân loại: 82,14% 2015 DEMON-ICA FCNN Tàu nổi (*) Phân loại: 61,27% 2018 Lọc trung vị FCNN Tàu nổi (*) Phân loại: 85,4% 2018 DEMON CNN Phát hiện: 53,07% Tàu nổi (*) 2020 LOFAR CNN Phát hiện: 83,64% DEMON CNN/MLP Tàu nổi (*) Phân loại: 80,1 % 2020 Tương quan CNN Tàu nổi (*) Phát hiện: 80% 2022 DEMON Tàu nổi (*) Phát hiện: 94,7 % 2022 Mel Inception Sinh vật biển (*) Phát hiện: 84,42% 2018 WMFCC KNN/SVM Sinh vật biển (*) Phân loại: 88,9% 2018 GFCC FCNN Sinh vật biển (*) Phát hiện: 94,3% 2019 Gabor GNN Sinh vật biển (*) Phân loại: 79,93% 2020 Cochlea CNN Sinh vật biển (*) Phân loại: 87,72% 2020 Sinh vật biển (*) Phát hiện: 96,3% STFT SNN 2021 và (****) Phân loại: 88,7%
7 1.4.3. Học chuyển giao Trong bài toán phân loại dữ liệu sonar, dữ liệu được gắn nhãn sẵn là hạn chế, dẫn đến rất khó đủ dữ liệu để đào tạo các mô hình đủ tin cậy để hữu ích trong mọi tình huống đòi hỏi mức độ chính xác cao. 1.4.4. Một số vấn đề còn tồn tại Thứ nhất: Sử dụng xu hướng một để phân loại tín hiệu thủy âm bỏ qua những tham số môi trường ảnh hưởng đến bản ghi, do đó rất khó đánh giá các nhiệm vụ phân loại liên quan đến hiệu suất của hệ thống sonar trong các tình huống riêng biệt. Thứ hai: Sử dụng xu hướng hai và ba là cách tiếp cận nhận dạng toàn bộ đặc trưng của tín hiệu từ nguồn âm, quá trình phát hiện đòi hỏi cấu trúc phần cứng và khối lượng tính toán phức tạp. Thứ ba: Các kỹ thuật đặc thù để phân loại tín hiệu tàu chân vịt DEMON, LOFAR vẫn bị giới hạn bởi bước lựa chọn bộ lọc thông dải theo kinh nghiệm của người vận hành hệ thống; đây cũng là một hạn chế cần khắc phục trong bối cảnh các thế hệ tàu chân vịt mới ngày một cải tiến hơn. Sự khác nhau về độ phân giải của các phép biến đổi miền thời gian- tần số cũng ảnh hưởng đến chất lượng tiền xử lý, do đó yêu cầu đặt ra là phải đưa ra các giải pháp cân bằng chất lượng xử lý dữ liệu mà không gây ảnh hưởng đến cấu trúc dữ liệu đó. Thứ tư: Dữ liệu về tín hiệu sinh ra từ tàu chân vịt là bí mật và khó tiếp cận. Do đó, yêu cầu tối ưu hoá các giải pháp tiền xử lý, các bộ lọc phân loại thích nghi với các bộ dữ liệu nhỏ, SNR thấp là cần thiết. Thứ năm: Mô hình có rất nhiều lớp tuy hiệu quả nhưng không phải luôn cho độ chính xác cao hơn các mô hình phức tạp. 1.5. Định hướng nghiên cứu của luận án và cơ sở dữ liệu 1.5.1. Định hướng nghiên cứu Luận án đề xuất giải pháp sử dụng dữ liệu âm thô làm đầu vào, đưa qua quá trình tiền xử lý để trích xuất tính năng và cuối cùng trả về kết quả phân lớp. Giải pháp được chia thành hai bước, trong đó đầu ra của hệ thống thứ nhất là đầu vào của hệ thống thứ hai, được minh họa trong Hình 1.14: Hình 1.14: Mô hình đề xuất của hệ thống xử lý
8 Như vậy các bài toán mà luận án cần giải quyết sẽ tập trung ở bốn vấn đề sau: - Nghiên cứu thuật toán tiền xử lý và trích xuất đặc trưng cho tín hiệu tàu chân vịt trong quá trình di chuyển, đối chứng so sánh với họ thuật toán DEMON để kiểm chứng do DEMON là thuật toán được sử dụng để xử lý tín hiệu tàu chân vịt trong các công bố khoa học và ứng dụng thực tế. - Nghiên cứu cách phân loại tín hiệu phi sinh học (tàu chân vịt) dùng phương pháp trí tuệ nhân tạo với cấu trúc mạng Nơ-ron tích chập, từ đó đưa ra các kết quả đánh giá so sánh với các công bố đã có trên cùng tập dữ liệu thực tế. - Nghiên cứu thuật toán tiền xử lý và trích xuất đặc trưng cho tín hiệu sinh học (giao tiếp sinh vật biển), tiếp tục đối chứng và so sánh kết quả với các giải pháp đã có trên các tập dữ liệu thực tế. - Nghiên cứu cách phân loại tín hiệu sinh học (sinh vật biển) bằng các cách tiếp cận của trí tuệ nhân tạo, tiếp tục kiểm chứng hiệu quả của mô hình khi phân loại dữ liệu thủy âm tồn tại đồng thời cả tín hiệu sinh học và phi sinh học. 1.5.2. Cơ sở dữ liệu tín hiệu thủy âm sử dụng trong luận án 1.5.2.1. Bộ dữ liệu Deepship Bộ dữ liệu tàu chân vịt Deepship đã được sử dụng trong các công trình [CT5], [CT7]. 1.5.2.2. Bộ dữ liệu ShipEars Bộ dữ liệu tàu chân vịt Shipears đã được sử dụng trong các công trình [CT1], [CT2], [CT3]. 1.5.2.3. Bộ dữ liệu NOAA Bộ dữ liệu tín hiệu giao tiếp sinh vật biển NOAA đã được sử dụng trong các công trình [CT6], [CT7]. Chương 2 PHÂN LOẠI TÍN HIỆU TÀU CHÂN VỊT BẰNG GIẢI PHÁP BIẾN THIÊN BIÊN ĐỘ PHỔ KẾT HỢP MẠNG TÍCH CHẬP TÙY BIẾN 2.1. Quá trình hình thành tín hiệu tàu chân vịt khi di chuyển 2.1.1. Các tín hiệu sinh ra từ chân vịt khi di chuyển 2.1.2. Hiện tượng xâm thực Khi tầu sử dụng chân vịt di chuyển trong môi trường nước, theo định luật Bernoulli, sẽ xuất hiện một áp suất dương trên bề mặt của cánh quạt
9 và một áp suất âm phía mặt sau. Sự chênh lệnh áp suất tạo ra các bong bóng khí xung quanh chân vịt. Các bong bóng này xuất hiện và vỡ ra khi lực tác động lên bong bóng vượt quá sức căng mặt ngoài của nước, và sinh ra các xung năng lượng phát vào trong môi trường. 2.2. Đề xuất giải pháp tiền xử lý Biến thiên biên độ phổ 2.2.1. Hạn chế của thuật toán DEMON Các kỹ thuật DEMON được ứng dụng trong hầu như tất cả các hệ thống sonar quân sự ở thế chiến thứ II cho tới các thiết bị hiện đại ngày nay. Điều đó cho thấy tính ứng dụng và sự chính xác của DEMON trong thực tế là hợp lý và chưa thể thay thế. Tuy nhiên, DEMON cũng gặp phải hai hạn chế: thứ nhất: cách thiết kế bộ lọc thông dải. Thứ hai: sự cải tiến của các thế hệ động cơ chân vịt kiểu mới. 2.2.2. Phân tích toán học giải pháp đề xuất Tín hiệu nhiễu sinh ra từ chân vịt s (t ) có thể được mô hình hóa như một tín hiệu điều chế tuần hoàn m( f , t ) với chu kỳ Tk = 2 / k , điều chế nhiễu xâm thực nk (t ) theo dạng điều chế biên độ. Khai triển mô hình tín hiệu nhiễu xâm thực như sau: s(t ) = mwk (t )nk (t ) (2.1) Gọi i (t ) là một họ các hàm cơ sở của phép chiếu trực giao tín hiệu xuống các miền không gian. Các hàm cơ sở được chọn sao cho các phép chiếu của tín hiệu trên các hàm cơ sở khác nhau là không tương quan với nhau. Tín hiệu xi (t ) khi đó được định nghĩa bằng công thức: T xi =  x(t )i (t ) dt (2.2) 0 Do các tín hiệu x(t ) là trực giao, giá trị kỳ vọng E được tính như sau: T T E{xi x j } = i ij =  i (t )  E{x(t ) x(u )} j (u )dudt (2.4) 0 0 Hàm hiệp phương sai của nhiễu ồn xâm thực được cho bởi công thức: E{s(t )s(u)} = mwk (t )mwk (u) E{nk (t )nk (u)} (2.6) Nếu t  u thì E{s(t ) s(u)} = 0 . Nếu t = u thì E{s (t ) s (u )} = mwk 2 (t ) k 2 với  k 2 là mật độ phổ công suất của nhiễu trắng xâm thực nk (t ) . Do đó, hàm hiệp phương sai của chân vịt được cho bởi công thức:
10  j j (t ) = mw 2 (t ) k 2 j (t ) k (2.9) Do phương trình hiệp phương sai chỉ tồn tại khi và chỉ khi t = u , nên tín hiệu thứ i của tín hiệu nhiễu xâm thực được tính bởi công thức  j = mwk 2 (ti ) k 2 + N 0 / 2 (2.11) Với N 0 / 2 là phổ mật độ công suất của nhiễu trắng Như vậy, phân phối của một tín hiệu s (t ) tại mọi thời điểm bất kỳ sẽ được cho bởi công thức:    1   2 x (t i )  P(s(t i ) / w k ) = exp  −    (2.14)    N    2  m w k (t i ) k + N0    2  m w k 2 (t i ) k 2 + 0    2   2 2   2      Tiếp theo, biến đổi STFT được sử dụng để khắc phục sự thiếu linh hoạt khi sử dụng biến đổi FFT của kỹ thuật DEMON. Phép biến đổi STFT thêm chiều thời gian vào các tham số của hàm cơ sở bằng cách nhân hàm mũ phức vô hạn với một cửa sổ. b(w, t0 )(t) := w(t − t 0 )exp(iwt) (2.15) trong đó w(t) là các hàm cửa sổ (w, t 0 ) là tọa độ thời gian-tần số của hàm cơ sở. Công thức tổng quát cho STFT được cho bởi phương trình: + S{s(t)}(w, t0 )=  w( )exp(− iw  )s( )d  (2.16) − Công thức 2.16 thông qua lựa chọn kích thước cửa sổ sẽ thu được thông tin về cả hai miền thời gian và tần số. Kết quả của phép biến đổi này cũng có thể được coi là một bộ lọc thông dải có biến đổi Fourier là cửa sổ w(t) được dịch chuyển sang tần số trung tâm. 2.2.3. Xây dựng cấu trúc và thuật toán đề xuất Dựa trên các công thức biến đổi về phương sai (2.11) công thức phân phối tín hiệu (2.14) và áp dụng biến đổi miền thời gian-tần số STFT công thức (2.16), luận án đề xuất các bước thực hiện thuật toán trong sơ đồ khối giải pháp trong Hình 2.3 và lưu đồ thuật toán trong Hình 2.4. Hình 2.3: Sơ đồ khối thuật toán đề xuất
11 Hình 2.4: Lưu đồ thuật toán đề xuất xử lý tín hiệu chân vịt Các bước thực hiện thuật toán như sau: Bước 1: Tính biến thiên biên độ tần số theo mỗi từng đoạn của phổ tín hiệu, và xây dựng ma trận phổ tín hiệu. Bước 2: Phổ tín hiệu được tính bằng STFT . Bước 3: Lấy trung bình biên độ của mỗi đoạn. Bước 4: Xếp chồng tín hiệu để giảm phương sai
12 2.2.4. Đánh giá hiệu quả thuật toán trên bộ dữ liệu tàu thực tế - Trường hợp một: Tàu di chuyển với vật tốc thay đổi phức tạp Hình 2.8 Phát hiện tín hiệu tàu bằng thuật toán đề xuất trên bản ghi 1 - Trường hợp hai: tàu đã di chuyển ổn định với vận tốc không đổi trên nền nhiễu. Hình 2.9 Phát hiện tín hiệu tàu bằng thuật toán đề xuất trên bản ghi 2 - Trường hợp ba: tàu bắt đầu di chuyển với tốc độ chậm Hình 2.10 Phát hiện tín hiệu tàu bằng thuật toán đề xuất trên bản ghi 3 Dữ liệu thủy âm trong bộ dữ liệu ShipEars được chia thành 3300 bản có xếp chồng để đảm bảo tính liêu tục của dữ liệu. Trong đó 1800 bản ghi chứa các loại tín hiệu tàu chân vịt, 1500 bản ghi chỉ chứa nhiễu nền. Bảng 2.1: So sánh kết quả với các công bố trên cùng tập dữ liệu tàu thực tế DEMON-Hilbert Biến thiên biên độ [60] [154] Phát hiện đúng 81,28% 98,22% 88,92% 96,67% Báo động lầm 13,2 % 3%
13 Kết quả xử lý bằng thuật toán đề xuất biến thiên biên độ phổ cho kết quả phát hiện đạt 98,22% tại Bảng 2.1, cao hơn các kết quả đã công bố trên cùng tập dữ liệu ShipEars là 88,92% và 96,67%. Bảng 2.2 So sánh tốc độ xử lý trên cùng một bản ghi Tàu 1 Tàu 2 Tàu 3 Tàu 4 Thời gian bản ghi 5 20 40 60 Biến thiên biên độ phổ 0.002s 0.005s 0.008s 0.014s DEMON-Hilbert 0.351s 0.877s 1.239s 2.026s Chênh lệch số lần 175 162 146 140 Trong cùng một bản ghi dữ liệu thì độ phức tạp về không gian bộ nhớ cần xử lý của DEMON-Hilbert lớn hơn thuật toán biến thiên biên độ phổ. Kết quả thuật toán đề xuất biến thiên biên độ phổ tạo ra ảnh phổ các ảnh spectrogram được sử dụng làm đầu vào cho mạng Nơ-ron. Hình 2.11 Ảnh phổ spectrogram của một số bản ghi thực tế 2.2.5. Đánh giá hiệu quả thuật toán trên tín hiệu thở người nhái - Nhịp thở người nhái thông thường khi di chuyển Hình 2.14 Phát hiện tín hiệu người nhái bằng thuật toán đề xuất trên bản ghi 4 - Nhịp thở người nhái có kinh nghiệm thở khi di chuyển
14 Hình 2.16 Phát hiện tín hiệu người nhái bằng thuật toán đề xuất trên bản ghi 5 2.3. Đề xuất cải tiến mạng Nơ-ron tích chập tùy biến 2.3.1. Cơ sở lựa chọn mạng tích chập 2.3.2. Cấu hình mạng đề xuất Hình 2.17 Kiến trúc đầy đủ của mô hình mạng CNN đề xuất Mạng CNN đề xuất sử dụng lớp chuẩn hóa với cấu trúc gồm 1 lớp đầu vào, 4 lớp tích chập, 4 lớp tổng hợp tối đa toàn cục và 2 lớp kết nối đầy đủ. Mô hình đề xuất sử dụng các lớp chuẩn hóa ở phía sau để đảm bảo rằng giá trị trung bình và độ lệch chuẩn của các yếu tố đầu vào sẽ luôn giữ nguyên và giảm thiểu sự biến động của phân phối. 2.3.3. Đánh giá độ phức tạp mạng tích chập đề xuất Cấu trúc mạng tích chập LeNet và VGG16 có số lượng tham số lần lượt là 60.000 và 138.000.000. Trong khi đó, số lượng tham số của mô hình đề xuất là 31.000.000, đã giảm 6 lần so với mô hình VGG16 và VGG19, hạn chế được độ phức tạp tính toán. Mô hình đề xuất đẩy nhanh tốc độ huấn luyện, tập trung vào các cửa sổ trượt có kích cỡ phù hợp, và lớp chuẩn hóa để nâng cao chất lượng phân loại bộ dữ liệu thủy âm.
15 2.4. Kết quả kết hợp hai giải pháp đề xuất dùng cho phân loại tín hiệu tàu chân vịt 2.4.1. Đánh giá phân loại bằng thuật toán DEMON-Hilbert với mạng tích chập LeNet và VGG dùng làm kết quả đối chứng Bộ dữ liệu ảnh phổ xử lý bằng DEMON lần lượt được phân loại bằng cấu trúc LeNet và VGG đạt độ chính xác là 54% trong Hình 2.22 và 63% trong Hình 2.23. Hình 2.22 Độ chính xác của mô hình Hình 2.23 Độ chính xác của mô hình DEMON-LeNet (54%) DEMON-VGG (63%) 2.4.2. Kết quả phân loại bằng thuật toán đề xuất biến thiên biên độ phổ với mạng tích chập LeNet và VGG Tương tự, bộ dữ liệu ảnh phổ xử lý bằng thuật toán đề xuất biến thiên biên độ phổ được đưa qua các mô hình LeNet và VGG, đạt độ chính xác là 70% trong Hình 2.24 và 78% trong Hình 2.25. Hình 2.24 Độ chính xác của mô hình Hình 2.25 Độ chính xác của mô hình AV-LeNet (70%) AV-VGG (78%)
16 2.4.3. Kết quả phân loại bằng thuật toán DEMON-Hilbert và biến thiên biên độ phổ với mạng tích chập tùy biến đề xuất So sánh hiệu quả của mạng tích chập đề xuất khi phân loại bộ dữ liệu tiền xử lý bằng DEMON và thuật toán biến thiên biên độ phổ thì độ chính xác phân loại lần lượt là 80% trong Hình 2.26 và 90% trong Hình 2.27. Hình 2.26 Độ chính xác của mô hình Hình 2.27 Độ chính xác của mô hình DEMON-CNN đề xuất (80%) AV-CNN đề xuất (90%) Kích cỡ ma trận trong xử lý tín hiệu thuỷ âm được chọn là số lẻ để ma trận đầu vào có một điểm ảnh làm trọng tâm, đại diện cho vị trí của bộ lọc để cải thiện độ chính xác cho quá trình phân loại. Lớp chuẩn hoá phía sau hàm kích hoạt để tránh làm mất các đặc trưng của ảnh phổ khi kích hoạt bằng RELU. Chuẩn hoá đầu ra giúp các hệ số trở nên cân bằng hơn, giúp mô hình dễ hội tụ hơn, tránh được hiện tượng triệt tiêu đạo hàm của các mô hình sâu nhiều lớp. 2.4.4. Đánh giá hiệu quả cấu hình mạng tích chập tùy biến Hình 2.30 Bản đồ nhiệt của mô hình đề Hình 2.31 Bản đồ nhiệt của mô hình đề xuất trên dữ liệu tàu bản ghi 1 xuất trên dữ liệu tàu bản ghi 3
17 Chương 3 PHÂN LOẠI TÍN HIỆU GIAO TIẾP SINH VẬT BIỂN VÀ TÀU CHÂN VỊT BẰNG GIẢI PHÁP NỘI SUY KHỐI NỐI TRỤC KẾT HỢP PHÂN PHỐI XÁC SUẤT TRONG MIỀN KHÔNG GIAN ẨN 3.1. Cấu trúc tín hiệu giao tiếp sinh vật biển Giống như con người, tín hiệu giao tiếp của sinh vật biển cũng được tạo ra bởi một tập hợp các mô nằm trong thanh quản ở cổ họng. 3.2. Đề xuất giải pháp tiền xử lý bằng nội suy khối nối trục 3.2.1. Cơ sở lý luận sử dụng nội suy khối nối trục Giải pháp sử dụng nội suy dữ liệu không làm tăng lượng thông tin hữu ích nhưng tập trung làm nổi bật các đặc trưng của thông tin cần xử lý, khi đó thuật toán nội suy có tác dụng tương tự như một bộ lọc tín hiệu số. Sau khi trượt cửa sổ dọc theo chiều thời gian của từng bản ghi, các ảnh phổ tạo ra sẽ có sự khác nhau về độ phân giải. Sử dụng phép nội suy khối nối trục các ảnh phổ, sẽ làm các chiều ma trận tương ứng với từng ảnh phổ là giống nhau. Cuối cùng xếp chồng các ảnh phổ nội suy để tạo thành một tensor đa kênh tương tự như các ảnh màu RGB. 3.2.2. Các phép nội suy trên miền tần số và giải pháp đề xuất 3.2.3. Xây dựng cấu trúc và thuật toán đề xuất Hình 3.9 Sơ đồ khối giải pháp đề xuất Giải pháp đề xuất sử dụng nội suy cubic splines biến đổi STFT kết hợp với biến đổi Wavelet liên tục và biến đổi phổ tần số Mel để tối ưu hóa toàn dải tần số chứa các thông tin đặc trưng của tín hiệu như trong Hình 3.9. Thuật toán đề xuất nội suy khối nối trục trên miền tần số trong Hình 3.10 sẽ thực hiện các phép toán nội suy giá trị tại các điểm không gian đã bỏ qua dựa trên dữ liệu đã được tính toán. Kết quả phép toán sẽ biểu diễn tín hiệu thủy âm theo một cách mới, khai thác các mối quan hệ giữa các tần số đặc trưng đã được trích xuất và ổn định chất lượng dữ liệu.
18 Hình 3.10: Lưu đồ thuật toán đề xuất xử lý tín hiệu sinh vật biển 3.2.4. Kết quả thuật toán đề xuất trên bộ dữ liệu thực tế Dữ liệu đầu vào là các spectrogram với kích thước (224x224) với cửa sổ Hanning, FFT 256 mẫu, xếp chồng 75% trên các mẫu tín hiệu trong bộ dữ liệu BOC-NOAA. Bảng 3.2: So sánh kết quả với công bố trên cùng tập dữ liệu thực tế NOAA Luận án đề xuất Luận án đề xuất Công bố liên quan, 2022 Tiền xử lý STFT Nội suy STFT STFT Mạng phân CNN tùy biến CNN tùy biến CNN loại (Chương 2) (Chương 2) Độ chính xác 80.5% 86.5% 80.45%