Resumen

El ruido radiado por los barcos es una importante fuente de información de los objetivos acústicos submarinos, y es de gran importancia para la identificación y clasificación de los objetivos de los barcos. Sin embargo, hay muchos ruidos de interferencia en el agua, lo que conduce a la reducción de la tasa de reconocimiento del modelo. Por lo tanto, los resultados de reconocimiento de los objetivos con ruido radiado se ven gravemente afectados. Este trabajo propone un método de fusión de decisiones de aprendizaje automático Dempster-Shafer (ML-DS). El algoritmo combina los resultados de reconocimiento del aprendizaje automático y del aprendizaje profundo. Utiliza la teoría de la toma de decisiones basada en la evidencia para realizar la fusión de características bajo diferentes clasificadores de redes neuronales y mejorar la precisión del juicio. En primer lugar, se utilizan algoritmos de aprendizaje profundo para clasificar las características bidimensionales del espectrograma y las características unidimensionales de la amplitud extraídas de las redes CNN y LSTM. El algoritmo de aprendizaje automático SVM se utiliza para clasificar las características de cromaticidad del ruido radiado. A continuación, de acuerdo con los resultados de clasificación de los diferentes clasificadores, se diseñó un modelo de asignación de probabilidad básica (BPA) para fusionar los resultados de reconocimiento de los clasificadores. Por último, de acuerdo con las características de clasificación del aprendizaje automático y el aprendizaje profundo, combinado con la toma de decisiones de la teoría de la evidencia D-S de diferentes tiempos, se realiza la fusión de la toma de decisiones del ruido radiado. Los resultados del experimento muestran que las dos fusiones de aprendizaje profundo combinadas con una fusión de aprendizaje automático pueden mejorar significativamente los resultados de reconocimiento de conjuntos de datos de baja relación señal-ruido (SNR). El resultado de reconocimiento de fusión más bajo puede alcanzar el 76,01%, y la tasa de reconocimiento de fusión media puede alcanzar el 94,92%. En comparación con el algoritmo tradicional de reconocimiento de una sola característica, la precisión del reconocimiento mejora considerablemente. En comparación con el algoritmo de fusión tradicional de un solo paso, puede integrar eficazmente los resultados de reconocimiento de datos heterogéneos y redes heterogéneas. El método de identificación basado en ML-DS propuesto en este trabajo puede aplicarse en el campo de la identificación del ruido radiado de los barcos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:resultados de reconocimiento, aprendizaje automático, aprendizaje profundo, ruido radiado, algoritmo de aprendizaje profundo, resultados de la máquina, características de la máquina, tasa de reconocimiento del modelo, características dimensionales del espectrograma, algoritmo de fusión de pasos
• Keywords:recognition results, machine learning, deep learning, radiated noise, deep learning algorithm, results of machine, characteristics of machine, model recognition rate, dimensional spectrogram features, step fusion algorithm