Aprendizaje de gráficos semisupervisados para la localización de fuentes submarinas utilizando espectrogramas de...

Área de la Ciencia:

• Procesamiento de señales acústicas
• Acústica bajo el agua
• Aprendizaje automático para la localización

Sus antecedentes:

• Los métodos convencionales de localización de fuentes submarinas tienen dificultades para explotar plenamente las correlaciones cruciales de los datos.
• Los enfoques basados en gráficos ofrecen potencial para capturar relaciones espaciales en datos acústicos.
• Los datos etiquetados limitados son un desafío significativo en el aprendizaje supervisado para la localización acústica.

Objetivo del estudio:

• Desarrollar un nuevo módulo de aprendizaje de gráficos para una localización precisa de fuentes submarinas.
• Para aprovechar los espectrogramas de las naves de oportunidad para el análisis de señales acústicas.
• Para abordar el desafío de los datos etiquetados limitados en las tareas de localización acústica.

Principales métodos:

• Un enfoque de dos pasos que combina una red neuronal convolucional (CNN) preentrenada para la extracción de características y una red neuronal de gráficos (GNN) para la localización.
• Aprendizaje auto-supervisado para la extracción de características CNN y aprendizaje semi-supervisado para la formación GNN.
• Construcción de gráficos utilizando los vecinos k más cercanos en las características extraídas por CNN de los espectrogramas de ruido de los buques.

Principales resultados:

• El marco de aprendizaje de gráficos propuesto logra un rendimiento comparable al de los modelos de aprendizaje supervisado convencionales.
• El enfoque utiliza efectivamente las correlaciones de datos a través de la representación gráfica.
• Capacidad demostrada de generalización en datos sintéticos y medidos.

Conclusiones:

• El nuevo módulo de aprendizaje de gráficos ofrece una solución efectiva para la localización de fuentes submarinas, particularmente con datos etiquetados limitados.
• La integración de las CNN y las GNN proporciona un marco sólido para el análisis de la señal acústica.
• El método es prometedor para aplicaciones en el mundo real en el monitoreo acústico y la navegación submarina.