潜水艦のスペクトログラムを用いた水中源の局所化のための半監督グラフ学習
Jhon A Castro-Correa1, Mohsen Badiey1, Jhony H Giraldo2
1Department of Electrical and Computer Engineering, University of Delaware, Newark, Delaware 19716, USA.
この研究は,船舶の騒音スペクトログラムを使用して,水中源の局所化のための新しいグラフ学習アプローチを導入しています. この方法はデータ相関を効果的に把握し,ラベル付きのデータが限られている場合でも精度が向上します.
科学分野:
- 音響信号処理
- 水中の音響
- ローカライゼーションのための機械学習
背景:
- 従来の水中情報源の位置づけ方法は 重要なデータ相関を完全に利用するのに苦労します
- グラフベースのアプローチは,音響データにおける空間的関係を捉える可能性を秘めています.
- アコースティック・ローカライゼーションの監督学習では,ラベル付きデータが限られていることが大きな課題です.
研究 の 目的:
- 水中の情報源を正確に特定するための新しいグラフ学習モジュールを開発する.
- 音響信号の分析のための機会船のスペクトログラムを活用する.
- アコースティック・ローカライゼーションのタスクにおいて,ラベル付きデータの限度の問題に対処するためです.
主な方法:
- 特徴の抽出のための予備訓練されたコンボリューションニューラルネットワーク (CNN) とローカライゼーションのためのグラフニューラルネットワーク (GNN) を組み合わせた2段階のアプローチです.
- CNNの機能抽出のための自己監督学習とGNNのトレーニングのための半監督学習.
- 船の騒音スペクトログラムからCNNで抽出した特徴の k-近隣を用いたグラフ構築.
主要な成果:
- 提案されたグラフ・ラーニング・フレームワークは,従来の監督学習モデルと同等のパフォーマンスを得ています.
- このアプローチは,グラフ表現を通じてデータ相関を効果的に利用します.
- 合成データと測定データの両方に一般化能力を示した.
結論:
- 新規のグラフ学習モジュールは,特にラベル付きのデータが限られている場合,水中源のローカライゼーションに有効なソリューションを提供します.
- CNNとGNNの統合は,音響信号分析のための堅固な枠組みを提供します.
- この方法は水中音響モニタリングとナビゲーションで実用的な応用が期待されています
さらに関連する動画
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
09:22Quantitatively Measuring In situ Flows using a Self-Contained Underwater Velocimetry Apparatus SCUVA
Published on: October 31, 2011
関連する概念動画
Uniform Depth Channel Flow: Problem Solving
Buoyancy and Stability for Submerged and Floating Bodies
Types of Global Positioning System Surveys
Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
