Сьогодення кидає нові виклики науковій галузі України, зокрема це стосується й технологій виявлення безпілотних літальних апаратів (БпЛА). Згадані технології вкрай необхідно виготовляти всередині країни задля безпеки, з метою відлагодження даних пристроїв під конкретні потреби нашого часу, а також для мінімізації витрат на імпорт цих технологій з інших держав та розширення внутрішньої бази технологічних напрацювань України.
З метою забезпечення можливості створення систем виявлення та знешкодження несанкціонованих літальних апаратів, важливим є тестування алгоритмів їхнього розпізнавання за звуком, адже саме такий метод є дієвим в умовах недостатньої видимості чи роботи засобів радіоелектронної боротьби. Безумовно, сукупність кількох методів виявлення буде значно дієвішою, аніж використання лише одного з них, проте у даному випадку було прийнято рішення зосередитись власне на звукових сигнатурах.
Важливо зауважити, що існує багато методів звукового виявлення літальних обʼєктів, проте розглянуто буде лише так звані “лінійні” алгоритми та метод навчання і самонавчання системи на основі нейронної мережі [1]. Серед алгоритмів обрано метод самоорганізованих карт Кохонена (Self-organizing Maps) [2], алгоритм динамічної трансформації часової шкали (Dynamic Time Warping), метод опорних векторів (Support Vector Machine) та згорткову нейронну мережу (Convolutional Neural Network).
Очевидно, що дані системи виявлення потребують, перш за все, швидкого реагування, тобто в окремих випадках на класифікацію звуку відводиться менше 1 секунди. Найкраще під ці обмеження вдалось застосувати SVM та СNN моделі, а також метод пошуку патернів при частотному аналізі [3].
Метод опорних векторів (SVM) показав результат – приблизно 92% точності на тестовому датасеті, який складався із аудіозаписів двох класів із тривалістю по 5 секунд кожен. Використання згорткової нейронної мережі (СNN) на цьому ж датасеті показало результат – 79% точності. Важливою приміткою є те, що CNN мережі за час тестування показали себе краще при більшій варіативності класів. Тобто що більше класів, розподілених по звуках, ми надавали для тренування, то кращими були результати.
Метод динамічної трансформації часової шкали (DTW) при певних параметрах показує загальну схожість між семплами – приблизно 60%, що не дає змоги однозначно підтвердити, що у повітрі знаходиться шуканий обʼєкт, а також перевищує допустимий час очікування відповіді. Метод самоорганізованих карт Кохонена (SOM) успішно класифікував звуки із кінцевим показником точності – 90%.
Підсумовуючи наведене вище, можна зробити висновок, що дані результати є задовільними для нашої мети, проте лише в умовах, наближених до ідеальних. Найбільш оптимальними методами класифікації за нашими вимогами ми вважаємо CNN та SVM, за умови їхнього вдосконалення, яке планується впроваджувати надалі. Отримані результати дають основу для подальших досліджень інших методів класифікації звуків, у тому числі за допомогою частотного аналізу, та розробки комплексної системи виявлення безпілотних літальних апаратів.
Список використаних джерел:
1. A. Bernardini, F. Mangiatordi, E. Pallotti, and L. Capodiferro, “Drone detection by acoustic signature identification”, Electronic Imaging, vol. 2017, no. 10, pp. 60–64, 2017, ISSN: 2470-1173. DOI: doi:10.2352.
2. О.І. Черняк, П. В. Захарченко, “Інтелектуальний аналіз даних”, Київ, 2010.
3. Чигінь В. І., Проценко М. М., Шабатура Ю. В., Бугайов М. В. (2019). Вдосконалення способу виявлення безпілотних літальних апаратів за результатами спектрального аналізу акустичних сигналів. Військово-технічний збірник, (20), 58–63. https://doi.org/10.33577/2312-4458.20.2019.58-63
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter