ОГЛЯД ТА ПОРІВНЯННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННІ ГІДРОАКУСТИЧНИХ СИГНАЛІВ

Abstract

У статті представлені алгоритми машинного навчання, які можна застосуванти яя класифікатор гідроакустичних сигналів. Спочатку, розглядався процес вилучення характеристик сигналу, серед яких були представлені методи: розріджене розкладання, генеративний процес створення сигналу та перетворення Фур’є. Розріджене розкладання не часто застосовується, оскільки, майже всі наявні алгоритми розрідженого розкладання мають значну обчислювальну складність, що серйозно впливає на практичне застосування цих алгоритмів і обмежує розріджене представлення за переповненим словником. Генеративний процес хоч і може згенерувати звуки з бажаними показниками, створення сигналу є досить затратним та не завжди відображає звуки в реальному середовищі. Ефективним та перевіреним способом є перетворення Фур’є, що широко застосовується для обробки сигналів в багатьох областях. Уніерсальність цього методу була показана у порівнянні обробки гідроакустичного сигналу та сигналу зображення, де цей підхід мав місце у обох прикладах. Були розглянуті наступні підходи машинного навчання: метод опорнх векторів, дерево рийняття рішень та нейронна мережа. Якщо є велика вибірка даних і потрібна висока точність класифікації, тоді варто обрати нейронну мережу. Значна кількість типів моделей та алгоритмів нейронних мереж дозволяє мати широкий спектр можливостей вирішення поставлених задач. Якщо вибірка мала, потрібна висока точність і швидкість, то добрим вибором буде метод опорних векторів. Метод опорних векторів був створений для задач бінарної класифікації. Застосування алгоритму для вирішення завдань багатокласової класифікації потребує додаткових модифікацій. При застосуванні методу опорних векторів, слід остерігатися великих обсягів даних, при яких можливе перенавчання. Якщо потрібно не витрачати багато зусиль на підготовку даних, потрібен простий та непараметричний алгоритм у цьому разі варто обрати дерево прийняття рішень. Дерево прийняття рішень застосовується для вирішення задач бінарної та мультикласової класифікації.