Ταξινόμηση υποθαλάσσιων ηχητικών σημάτων από πλοία
Loading...
Date
2026-02-24
Authors
Κελεσίδης, Αναστάσιος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία εξετάζει το πρόβλημα της ταξινόμησης ηχητικών σημάτων προερχόμενων από πλοία, με στόχο την αναγνώριση τεσσάρων τύπων σκαφών (Εμπορικό Πλοίο - Cargo, Δεξαμενόπλοιο - Tanker, Επιβατηγό - Passengership, Ρυμουλκό - Tug), καθώς και της κατηγορίας υποθαλάσσιου περιβαλλοντικού θορύβου (Noise). Η μελέτη υλοποιείται στα πλαίσια ενός υποβρύχιου ακουστικού συνόλου δεδομένων, με την ονομασία DeepShip, το οποίο αποτελείται από 47 ώρες και 4 λεπτά πραγματικών υποβρύχιων ηχογραφήσεων 265 διαφορετικών πλοίων που ανήκουν στις τέσσερις προαναφερθείσες κατηγορίες, με διαφορετικές εποχιακές συνθήκες και επίπεδα θορύβου. Ο προτεινόμενος αλγόριθμος βασίζεται στις ηχογραφήσεις υποβρύχιων σημάτων, από τις οποίες εξάγονται χρονοσυχνοτικές ενεργειακές ιδιότητες για τη δημιουργία ενός ολοκληρωμένου συνόλου χαρακτηριστικών. Αρχικά, πραγματοποιείται επεξεργασία και ανάλυση των ακουστικών δεδομένων μέσω STFT και παραγωγής φασματογραμμάτων, ενώ στη συνέχεια υπολογίζονται πολυάριθμα περιγραφικά μεγέθη στα πεδία του χρόνου και της συχνότητας, όπως μέσες τιμές, διακυμάνσεις, ροπές ανώτερης τάξης και μετασχηματισμένοι δείκτες ενέργειας. Το σύνολο χαρακτηριστικών αξιοποιείται για την εκπαίδευση και αξιολόγηση αλγορίθμων μηχανικής μάθησης, με ιδιαίτερη έμφαση στον Ταξινομητή Gradient Boosting, ενώ πραγματοποιούνται, επίσης, διαδικασίες βελτιστοποίησης των παραμέτρων του ταξινομητή μέσω Grid Search και Stohastic Search, καθώς και ανάλυση της επίδρασης του θορύβου και της ταξινόμησης αυτού στη συνολική απόδοση. Η ανάλυση περιλαμβάνει κανονικοποίηση δεδομένων, διαχείριση ανισορροπίας κλάσεων, δημιουργία ενεργειακών γραφημάτων και dimensionality reduction για την οπτική αξιολόγηση των ταξινομημένων δειγμάτων και μελέτη της σημασίας των χαρακτηριστικών μέσω Mean Decrease Impurity (MDI), αναδεικνύοντας τα επικρατέστερα χαρακτηριστικά. Τέλος, τα αποτελέσματα του αλγορίθμου, τα οποία συγκρίνονται με βάση την ακρίβεια ταξινόμησης (accuracy), την ακρίβεια (precision), την ανάκληση (recall), το f1-score και αναλύονται χρησιμοποιώντας πίνακες σύγχυσης και UMAPs, δείχνουν ότι το προτεινόμενο δίκτυο επιτυγχάνει ακρίβεια ταξινόμησης 81%, με σαφή διάκριση των τύπων πλοίων και συγκεκριμένα βελτιωμένη απόδοση μετά τη στοχευμένη διαχείριση των θορυβωδών τμημάτων καταλήγοντας σε ένα αξιόπιστο και επεκτάσιμο σύστημα ταξινόμησης, κατάλληλο για εφαρμογές θαλάσσιας παρακολούθησης και ανάλυσης ακουστικών σημάτων.
Description
Keywords
Υποβρύχια ακουστική, Ταξινόμηση πλοίων, Υποβρύχιος περιβαλλοντικός θόρυβος, Ψηφιακή επεξεργασία σήματος, Μηχανική μάθηση