Akustisen luokittelijan optimointi

Abstract

Merenkulun liikenne tuottaa melua, joka kantautuu pitkän matkan päähän. Kohteiden tunnistamiseen on aiemmin käytetty opearaattoria. Reunalaskennalla ja konekuuntelulla luokittelu toteutetaan ympäristössä, jossa muistiresurssit ja laskentateho ovat rajalliset. Tässä tutkielmassa esitetään moderneihin syväoppimismenetelmiin perustuva yksiulotteisen signaalin luokitin. Alusten konemelun luokitukseen sovellettiin 1DCNN, SBCNN ja YAMNet -syväneuroverkkomalleja. Luokittimet saavuttivat keskimäärin 85.5% tarkkuuden käytämällä yhden sekunnin syötevektoria. Näistä malleista yksiulotteinen konvoluutio-operaatio yhdessä gammatoonisuodinten kanssa osoittautuivat vakuuttavimmaksi menetelmäksi.

Maritime traffic and activity is perceived over long distances in water medium. Edge computing is a persuasive technology in replacing human operators in target detection. With specialized deep learning models targets can be detected and classified in near real-time. In this thesis is presented a evaluation of 1DCNN, SBCNN and YAMNet deep learning models for classifying ship radiated noise in underwater scenario. An average classification accuracy of 85.5% was achieved in determining the size class of a target ship. Out of all models the 1DCNN model proved to be the most sutiable for the task.