Ταξινόμηση υποθαλάσσιων ηχητικών σημάτων από πλοία
| datacite.contributor.RelatedPerson | Χατζηαντωνίου, Παναγιώτης | |
| datacite.contributor.Supervisor | Μουρτζόπουλος, Ιωάννης | |
| datacite.contributor.Supervisor | Κωνσταντίνος, Μουστάκας | |
| dc.contributor.author | Κελεσίδης, Αναστάσιος | |
| dc.contributor.other | Kelesidis, Anastasios | |
| dc.date.accessioned | 2026-02-25T07:37:50Z | |
| dc.date.available | 2026-02-25T07:37:50Z | |
| dc.date.issued | 2026-02-24 | |
| dc.degree | graduateThesis | |
| dc.description.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. | |
| dc.description.translatedabstract | This thesis examines the problem of classifying sound signals originating from ships, with the aim of identifying four types of vessels (Cargo Ship, Tanker, Passenger Ship, Tug), as well as the category of underwater background noise (Noise). The study is carried out using an underwater acoustic dataset called DeepShip, which consists of 47 hours and 4 minutes of actual underwater recordings of 265 different ships belonging to the four categories mentioned above, with different seasonal conditions and noise levels. The proposed algorithm is based on underwater signals, from which time-frequency energy properties are extracted to create a comprehensive set of features. Initially, the acoustic data is processed and analyzed using STFT and spectrogram generation, followed by the calculation of numerous descriptive functions in the time and frequency domains, such as mean values, variances, higher-order moments, and transformed energy indices. The feature set is used to train and evaluate machine learning algorithms, with a particular emphasis on the Gradient Boosting Classifier, while also performing hyperparameter tuning optimization for the classifier through Grid Search and Stochastic Search, as well as analyzing the effect of noise and its classification on overall performance. The analysis includes data normalization, class imbalance management, energy graph creation and dimensionality reduction for the visual evaluation of classified samples and the study of feature importance through Mean Decrease Impurity (MDI), highlighting the most prevalent features. Finally, the results of the algorithm, which are compared based on classification accuracy, precision, recall, f1-score and analyzed using confusion matrices and UMAPs, show that the proposed network achieves 81% classification accuracy, with clear distinction of ship types and specifically improved performance after targeted management of noisy segments, resulting in a reliable and scalable classification system suitable for maritime surveillance and acoustic signal analysis applications. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31407 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | |
| dc.subject | Υποβρύχια ακουστική | |
| dc.subject | Ταξινόμηση πλοίων | |
| dc.subject | Υποβρύχιος περιβαλλοντικός θόρυβος | |
| dc.subject | Ψηφιακή επεξεργασία σήματος | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject.alternative | Underwater acoustics | |
| dc.subject.alternative | Vessel classification | |
| dc.subject.alternative | Underwater backround noise | |
| dc.subject.alternative | Digital signal processing | |
| dc.subject.alternative | Machine learning | |
| dc.title | Ταξινόμηση υποθαλάσσιων ηχητικών σημάτων από πλοία | |
| dc.title.alternative | Classification of underwater acoustic signals from vessels |