Resumen

La tecnología de clasificación y reconocimiento de la señal acústica submarina ha sido siempre un importante contenido de investigación en el campo del procesamiento de señales acústicas submarinas. Actualmente, la transformada wavelet, la transformada Hilbert-Huang y los coeficientes cepstrales de frecuencia Mel se utilizan como método de extracción de características de las señales acústicas submarinas. En este trabajo se propone un método de extracción de características e identificación de datos de ruido submarino basado en CNN y ELM. Se propone un método de extracción automática de características de señales acústicas subacuáticas utilizando una red de convolución en profundidad. Un clasificador de reconocimiento de objetivos subacuáticos se basa en la máquina de aprendizaje extremo. Aunque las redes neuronales de convolución pueden ejecutar tanto la extracción de características como la clasificación, su función se basa principalmente en una capa de conexión completa, que se entrena mediante descenso de gradiente; la capacidad de generalización es limitada y subóptima, por lo que se utilizó una máquina de aprendizaje extremo (ELM) en la etapa de clasificación. En primer lugar, la CNN aprende características profundas y robustas, seguidas de la eliminación de las capas totalmente conectadas. A continuación, la ELM alimentada con las características de la CNN se utiliza como clasificador para realizar una clasificación excelente. En los experimentos realizados con el conjunto de datos reales de buques civiles se obtuvo una tasa de reconocimiento del 93,04%; en comparación con los coeficientes cepstrales de frecuencia de Mel y la característica Hilbert-Huang tradicionales, la tasa de reconocimiento mejoró considerablemente.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:señal acústica submarina, máquina de aprendizaje extremo, coeficiente cepstral, tasa de reconocimiento, datos de ruido submarino, olmo, red de convolución de profundidad, métodos de extracción de características, capa de conexión completa, clasificador de reconocimiento de objetivos
• Keywords:underwater acoustic signal, extreme learning machine, cepstral coefficient, recognition rate, underwater noise data, elm, depth convolution network, features extraction methods, full connection layer, target recognition classifier