Aprendizaje de gráficos semisupervisados para la localización de fuentes submarinas utilizando espectrogramas de buques de oportunidad | JoVE Visualize

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.