| Постоянная ссылка (СИД2) |
J2200342594 |
| Название |
Использование технологий машинного обучения при решении задачи классификации сигналов мониторинга инфразвукового фона |
| Автор |
Фролов И. Н. |
| Автор |
Кудрявцев Н. Г. |
| Автор |
Сафонова В. Ю. |
| Автор |
Кудин Д. В. |
| Источник |
Научно-технический вестник информационных технологий, механики и оптики |
| Страницы/Объём |
156-164 |
| Сокращ. назв. источника |
Науч.-техн. вестн. информ. технол., мех. и оптики |
| Год |
2024 |
| Том |
24 |
| Номер |
1 |
| Адрес в Интернет |
http://elibrary.ru/item.asp?id=60909219 |
| Постоянная ссылка (СИД) |
J22003425 |
| Ключевые слова (авторские) |
инфразвук%искусственная нейронная сеть%классификация фрагментов временных рядов%машинное обучение%модель случайного леса%перестановочная энтропия |
| Место хранения |
Удаленный доступ. Эл. регистр. НЭБ |
| Дата регистрации в ВИНИТИ |
04.03.2024 |
| Язык текста |
русский |
| Язык резюме |
английский |
| Аннотация |
Введение. Широко известно, что среди звуковых сигналов, порождаемых природными и техногенными явлениями, наиболее долгоживущими являются волны частотой менее 20 Гц, именуемые инфразвуком. Это свойство позволяет отслеживать путем инфразвукового мониторинга возникновение высокоэнергетических событий в региональных масштабах на расстоянии до 200-300 км. Вместе с тем выделение полезных инфразвуковых сигналов из фонового шума является нетривиальной задачей при обработке сигналов в реальном времени и постфактум. В работе предлагается новый метод классификации специфических сигналов в данных инфразвукового мониторинга с использованием перестановочной энтропии Шеннона и векторов распределения частот встречаемости перестановок последовательных выборочных значений ранга 3 (количество элементов перестановки). Метод. Для оценки применимости предлагаемого энтропийного метода классификации использованы два метода машинного обучения - метод случайных лесов и классический нейросетевой подход. Методы реализованы на языке Python с использованием библиотек Scikit-lean, TensorFlow и Keras. Выполнена оценка качества классификации по сравнению с традиционным частотным методом выделения классов, основанном на использовании преобразования Фурье. Распознавание проведено на подготовленных данных инфразвукового мониторинга на территории Республики Алтай. Основные результаты. Результаты вычислительного эксперимента по разделению пяти классов сигналов показали, что классификация предложенным методом дает одинаковые результаты распознавания нейронной сетью. При этом по сравнению с частотной классификацией исходных данных точность распознавания составила 51-58%. Для метода случайных лесов точность распознавания частотных классов равна 51%, а для метода перестановочной энтропии - 45%. Обсуждение. Анализ результатов вычислительного эксперимента показал конкурентноспособность метода классификации перестановочной энтропии при распознавании инфразвуковых сигналов. Предлагаемый метод реализуется значительно проще при поточной обработке сигнала в низкопотребляющих микроконтроллерных системах. Планируется дальнейшая апробация метода на пунктах регистрации инфразвуковых сигналов, а также в составе системы обработки данных инфразвукового мониторинга для выделения событий в реальном режиме времени |
| Тематический раздел |
Физика |
| Издательский номер в РЖ |
24.05-18П.110 |
| Шифр ГРНТИ |
29.37.23 |
| Ключевые слова |
методы и приборы для обработки акустических сигналов, ЭВМ для обработки и моделирования, инфразвук, классификация сигналов, машинное обучение |