Resumen

Este artículo investiga el problema de la cancelación del ruido generado por la propia plataforma en un escenario de aguas poco profundas. En el caso de la acústica submarina, la detección y el seguimiento de la señal del blanco en presencia del ruido del remolcador es una tarea difícil. Es necesaria una técnica computacionalmente intensiva para la supresión del ruido del remolcador. En este trabajo se presenta un algoritmo que utiliza una red neuronal de regresión profunda (DRNN) junto con un formador de haz de respuesta sin distorsión de varianza mínima (MVDR) para la cancelación del ruido de los barcos remolcados. Se diseñan nueve redes neuronales de regresión profunda, cada una con diferentes técnicas de inicialización de pesos y funciones de activación, para la cancelación efectiva del ruido de remolque. Las DRNN diseñadas se prueban con datos simulados y se validan con datos reales recogidos durante las pruebas realizadas en el Mar de Arabia.

1. INTRODUCCIÓN

La cualimetría de modelos es una teoría aplicada en la que se estudian y aplican métodos de evaluación cuantitativa y garantía de calidad de los modelos matemáticos. La calidad del modelo se define por la propiedad o el conjunto de sus propiedades que determinan la capacidad de utilizar el modelo para los fines previstos. La cualimetría teórica implica una distinción entre problemas directos e inversos. Por tareas directas se entiende la evaluación directa de la calidad de cualquier producto, mientras que las tareas inversas están relacionadas con la gestión de la calidad para garantizar las propiedades necesarias de los productos (en este caso, los modelos matemáticos).

Dado que los propios modelos se crean tanto con fines de análisis como de síntesis de objetos originales ya existentes, los problemas inversos desempeñan el papel principal en la cualimetría de los modelos.

Según los autores [1], a pesar del constante desarrollo de métodos y tecnologías para la creación de modelos de diferentes clases y propósitos, estas tareas a menudo se dejan de lado (en el campo de la tecnología de la información se presta mucha más atención a la evaluación de la calidad del software, lo que se refleja en las normas pertinentes). Estas tareas son especialmente relevantes cuando los modelos reflejan un proceso complejo (CP). Tales procesos pueden ser únicos y obtener datos objetivos completos sobre ellos con fines de modelización es difícil o imposible (modelos de accidentes y catástrofes, hostilidades, cataclismos naturales y similares). Los autores de [1] proponen describir cualquier proceso complejo utilizando varios modelos matemáticos heterogéneos combinados en un complejo. Esto permite aumentar la objetividad de los resultados obtenidos, pero exige una coordinación entre los modelos del complejo.

El uso de modelos heterogéneos complejos no sólo aumentará la validez de los supuestos sobre la naturaleza probable del CP, sino que también ofrecerá oportunidades adicionales para resolver los problemas inversos de la cualimetría de modelos. Cabe señalar que existen ciertas dificultades para resolver estos problemas debido a la falta de un marco terminológico bien establecido en este ámbito. Como ejemplo, podemos citar la publicación [2], que resume la definición de la propiedad cualitativa clave de los modelos de simulación - su adecuación

• Materias:Reducción de ruido Red neuronal artificial Control del ruido
• Subjects:Noise reduction Artificial Neural Network Noise control
• Palabras claves:Red neuronal de regresión profunda; Matriz de sensores remolcados; Cancelación de ruido de barco remolcado; Inicialización de peso
• Keywords:Deep regression neural network; Towed sensor array; Tow ship noise cancellation; Weight initialization