Nâng cao khả năng phân loại tín hiệu thuỷ âm sử dụng nội suy khối nối trục và phân phối xác suất trong không gian ẩn

Bài viết Nâng cao khả năng phân loại tín hiệu thuỷ âm sử dụng nội suy khối nối trục và phân phối xác suất trong không gian ẩn trình bày một mô hình xử lý tín hiệu dưới nước nhằm mục đích phát hiện và phân loại tàu chân vịt thông qua cách cải tiến kỹ thuật LOFAR (Low Frequency Analysis and Recording) bằng nội suy khối nối trục (Cubic Splines Interpolation - CSI), kết hợp với mô hình xác suất phân phối trong miền không gian ẩn.

Nghiên cứu khoa học công nghệ Nâng cao khả phân loại tín hiệu thuỷ âm sử dụng nội suy khối nối trục phân phối xác suất không gian ẩn Bạch Nhật Hoàng, Nguyễn Trung Kiên*, Vũ Lê Hà Viện Khoa học Công nghệ quân *Email: kiennt67@gmail.com Nhận bài: 11/4/2022; Hoàn thiện: 21/5/2022; Chấp nhận đăng: 15/6/2022; Xuất bản: 28/6/2022 DOI: https://doi.org/10.54939/1859-1043.j.mst.80.2022.39-48 TÓM TẮT Trong lĩnh vực âm học đại dương, phương pháp xử lý tín hiệu nước truyền thống đại đạt kết tích cực Đối với tốn sonar phục vụ nhiệm vụ quốc phịng an ninh, nhu cầu phân loại kịp thời, xác dạng tàu chân vịt yêu cầu quan trọng hàng đầu Nghiên cứu trình bày mơ hình xử lý tín hiệu nước nhằm mục đích phát phân loại tàu chân vịt thông qua cách cải tiến kỹ thuật LOFAR (Low Frequency Analysis and Recording) nội suy khối nối trục (Cubic Splines Interpolation CSI), kết hợp với mơ hình xác suất phân phối miền khơng gian ẩn Kết mơ hình thử nghiệm tập liệu thực, cho thấy độ xác phân loại tốt 10%, đạt hiệu suất khoảng 90% so với mơ hình trước Giải pháp chứng minh mơ hình kết hợp truyền thống đại có khả phân loại tốt với tín hiệu thực tế lượng liệu thiếu hụt tỷ lệ tín tạp thấp Từ khố: Tín hiệu thủy âm; Nội suy khối nối trục; Phân phối xác suất; Không gian ẩn MỞ ĐẦU Hệ thống sonar (Sound navigation and ranging) sử dụng lý thuyết sóng âm mơi trường nước để truyền tin, phát hiện, định vị theo dõi mục tiêu [1, 2] Để phục vụ toán phân loại đối tượng nguồn âm nước, hai loại phân tích điển hình thực để trích xuất đặc trưng tín hiệu là: phương pháp tách sóng đường bao DEMON (Detection Envelope Modulation On Noise) [2], Phương pháp phân tích tần số LOFAR (Low Frequency Analysis and Recording) [3] LOFAR kỹ thuật phân tích băng rộng, cho ta thông tin ước lượng độ rung động đẩy, tần số dao động sinh từ máy móc khí tàu, từ tìm đặc trưng đối tượng [4] Gần với phát triển lĩnh vực trí tuệ nhân tạo, vào năm 2019, nhà khoa học chứng minh việc sử dụng mơ hình mạng Nơ-ron (Neural Network-NN) tiếp tục cải thiện kết phân loại mơ hình nước [5] Với đặc trưng mơi trường thuỷ âm, tín hiệu từ nguồn sinh học (như động vật biển…) phi sinh học (tàu thuyền, gió, sét, rung động địa chấn,…) thay đổi tùy thuộc vào điều kiện môi trường hoạt động, thời gian,…; điều ảnh hưởng đến ổn định việc xử lý tín hiệu theo nguyên lý sonar Do đó, thay đổi số liệu thống kê tín hiệu sonar phải theo dõi thời gian thực Các phương pháp phân loại sử dụng học máy (Machine Learning-ML) nói chung học sâu (Neural Network-NN) nói riêng có khả thực tự động nhiệm vụ với chất lượng kết tương đối cao Do đó, xu hướng kết hợp kỹ thuật xử lý tín hiệu truyền thống mơ hình trí tuệ nhân tạo cách tiếp cận hứa hẹn nhiều nghiên cứu đột phá tương lai Nhìn chung, tín hiệu sonar đưa vào thuật tốn tiền xử lý để trích xuất đặc trưng, giảm kích thước tăng cường khả biểu diễn liệu Dữ liệu xử lý đầu vào mạng học sâu (Deep Learning-DL) [5, 6] Các nghiên cứu sử dụng mơ hình mạng Nơ-ron xác suất (Probabilistic Neural Network-PNN) [7], Lượng tử hóa vectơ (Learning Vector Quantization-LVQ) [8], dạng mạng học sâu (Multilayer Perceptron-MLP) [9], đến phức tạp (Deep Neural Network-DNN) [10] bước đầu cho kết tích cực Trong năm gần đây, việc sử Tạp chí Nghiên cứu KH&CN quân sự, Số 80, - 2022 39 Kỹ thuật điều khiển & Điện tử dụng Mạng Nơ-ron tích chập (Convolutional Neural Network-CNN) thu kết đáng kể mơ hình phân loại tín hiệu nước [6, 10] Tuy nhiên, chưa có nhiều kết công bố giai đoạn tiền xử lý liệu thủy âm để nâng cao chất lượng liệu trước sử dụng làm đầu vào cho mơ hình trí tuệ nhân tạo Dựa phân tích trên, phần báo trình bày sau: Phần trình bày cải tiến LOFAR nội suy khối nối trục để xây dựng liệu đầu vào cho mơ hình đề xuất; Phần trình bày giải pháp cải tiến mơ hình phân phối xác suất, sau kết hợp hai giải pháp đề xuất kết phân loại tập liệu thực; Và cuối kết luận chung TIỀN XỬ LÝ DỮ LIỆU BẰNG NỘI SUY KHỐI NỐI TRỤC 2.1 Kỹ thuật LOFAR 2.1.1 LOFAR truyền thống Giả sử mảng có N phần tử, chuỗi tín hiệu đầu vào xi (k ) với i  1,2, M Tín hiệu định hướng theo hướng m biểu thị xi (k , m) với m  1,2, M Trong đó, M 3600 số lượng chùm tia  góc chùm tia liền kề tính cơng thức 0  M Tín hiệu chùm tia thứ m là: N ym (k )   xi (k , m) (1) i 1 Tín hiệu đầu thu tín hiệu sóng cơ, có dạng: y(t )  A cos(2 f0t   )  n(t ) (2) A2 2 n2 Do đó, đối tượng cần phân tích LOFAR tín hiệu đầu vào ym (k ) Giá trị đầu Trong đó, n(t ) nhiễu,  pha ngẫu nhiên, A biên độ, tỉ số tín tạp SNR chùm tia Dm  E[ ym (k)] Nhìn chung, Dm thay đổi chậm chứa thơng tin góc tới tín hiệu cần tìm liệu ym (k ) cho ta thơng tin tín hiệu mục tiêu, nhiễu, giao thoa Hình Sơ đồ khối kỹ thuật LOFAR truyền thống [3] Vì LOFAR phép phân tích miền tần số, đó, kỹ thuật biến đổi Fourier nhanh (Fast Fourier transform-FFT) đóng vai trị quan trọng Kết cuối phép phân tích LOFAR giúp ta phát tần số sóng đơn dạng sóng sin Do đó, tham số quan trọng tín hiệu biên độ tần số 2.1.2 Hạn chế LOFAR truyền thống cách khắc phục Trong thực tế, tín hiệu thủy âm tín hiệu biến đổi liên tục phức tạp, tần số đặc trưng xuất môi trường khơng phải ln tín hiệu tuần hồn Do đó, sử dụng biến đổi Fourier nhanh gặp phải hạn chế độ phân giải miền thời gian FFT cho biết xác tần số xuất tín hiệu, khơng biết thời điểm mà tần số xuất tập liệu Do đó, ta khơng thể biết tần số phát xảy thời gian liệu phân biệt cụ thể tín hiệu liệu có thuộc nguồn âm cần tìm hay khơng Để khắc phục vấn đề này, ta thay biến đổi FFT biến đổi Fourier thời gian ngắn (Short time Fourier transform-STFT) Phép biến đổi STFT thêm chiều thời gian vào tham số hàm sở cách nhân hàm mũ phức vô hạn với cửa sổ 40 B N Hoàng, N T Kiên, V L Hà, “Nâng cao khả phân loại … không gian ẩn.” Nghiên cứu khoa học công nghệ b(, t )(t) : (t  t )exp(i  t) (3) Kết phép biến đổi coi lọc thơng dải có biến đổi fourier với cửa sổ  (t) đáp ứng tần số dịch theo tần số trung tâm  Do đó, tất lọc có băng thơng Ta có cơng thức tổng qt cho STFT sau:  S{s(t)}( ,t ) =   ( ) * exp( i  )s( )d (4)  Từ đó, ta xác định thời điểm tần số xuất hiện, từ cải thiện độ phân giải theo chiều thời gian tín hiệu Mơ hình đề xuất báo, sử dụng cách tiếp cận giống [11] đề xuất Bằng cách hạ tần xuống  lần để tránh xung cưa, loại bỏ tần số không mong muốn, kết lúc thu tần số f s /  Sau đó, nhân tần số với cửa sổ Hanning để tạo phân đoạn tín hiệu; trước phân đoạn tín hiệu biến đổi sang miền tần số STFT Tại đây, ta sử dụng cách xếp chồng phân đoạn liệu với tỷ lệ 60% để tăng tính liên tục mẫu tín hiệu, làm tăng độ xác LOFAR Tóm lại, việc thay biến đổi FFT thành STFT, cách tiếp cận biến đầu phân tích LOFAR cũ thành LOFARgram với trục x tần số trục y thời gian Tuy nhiên, điều kiện liệu tín hiệu thủy âm khan khó tiếp cận, tín hiệu sinh trình di chuyển tàu thay đổi phức tạp, có chồng lấn dải tần, đó, ta cần chuẩn hóa liệu sau biến đổi STFT để tăng thơng tin có ích ảnh phổ Lofargram 2.2 Giải pháp sử dụng nội suy khối nối trục Trong thực tế, xây dựng liệu, q trình thu lưu trữ tín hiệu thủy âm đối tượng nguồn âm đòi hỏi nhiều tham số điều kiện môi trường, thời điểm triển khai hệ thống, độ ổn định cấu trúc phần cứng Do đó, tính ổn định liệu khơng chắn Bên cạnh đó, xử lý thu liệu thơ, phương pháp xử lý tín hiệu số sử dụng tham số độ dài cửa sổ trượt, hệ số lọc v.v dẫn đến kết sai lệch phân loại khác độ phân giải phép tốn với Do đó, ta áp dụng thuật toán nội suy để nâng cao chất lượng ảnh phổ sau biến đổi từ liệu thủy âm thơ, trước đưa vào mơ hình phân loại Hầu hết tín hiệu thủy âm có đặc tính chung chuỗi thời gian số lượng cường độ tần số tăng lên tỷ lệ SNR giảm đi, đó, lượng thơng tin hữu ích dùng để phân loại đối tượng mà ta bóc tách từ liệu thơ ban đầu giảm xuống Vấn đề khó khăn liệu thủy âm không công khai cách đo đạc, không mô tả trình thu tín hiệu thơ, đó, để giảm nhiễu, nghiên cứu thủy âm sử dụng số lọc thống kê lọc trung bình động [12, 13] Tuy nhiên, cách tiếp cận làm thay đổi cấu trúc tương quan liệu chí làm số điểm liệu đầu cuối chuỗi liệu tín hiệu thơ Để tránh bất ổn khai triển bậc đa thức nội suy đa thức bậc cao hạn chế mơ hình thống kê, ta sử dụng nội suy khối nối trục [14, 15] Dữ liệu tiền xử lý biểu diễn dạng ảnh phổ LOFARgram đưa qua nội suy khối nối trục để ước tính giá trị pixel trung gian giá trị biết để nâng cao chất lượng thông tin chứa đặc trưng ảnh phổ Từ công thức (4) tổng quát cho khai triển STFT, ta có phương trình STFT tín hiệu x(n) với cửa sổ trượt w(n) cho công thức:  STFT{x[n]}  X(p,w) =  x[p]w[p n]e jwp (5) p  Các biến đổi nội suy tuyến tính nối trục (Linear Interpolation splines) nội suy khối nối trục Tạp chí Nghiên cứu KH&CN quân sự, Số 80, - 2022 41 Kỹ thuật điều khiển & Điện tử (Cubic Interpolation splines) cho điểm nằm hai điểm biên (I K ,VK ) cho công thức (6) (7): I I (6) I K (V)  I K  K 1 K (V VK ) VK 1  VK I K (V)  I K  aK (V VK )  bK (V VK )2  cK (V VK )3 (7) Khi đó, áp dụng cơng thức (5) vào cơng thức (6) (7), ta có giá trị điểm lân cận điểm p pc cho công thức (8) (9): w  wi  w i 1  w i (p pi ) ni 1  ni w  wi  aK (p pi )  bK (p pi )2  cK (p pi )3 (8) (9) Với i  1,2, c , c số điểm theo hệ số cho trước ak ,bk ,ck hệ số nội suy nối trục Từ cơng thức (8) (9), ta thấy giải pháp nội suy khối nối trục khắc phục hạn chế mặt toán học giải pháp nội suy đơn điểm (simple interploation traditional), nội suy tuyến tính (linear interpolation) do, mơ hình bậc nội suy khối nối trục tạo hàm bậc ba có đạo hàm bậc điểm nối liệu nhau, tạo liên tục tính kế thừa điểm liệu nội suy điểm liệu có Trong đó, với giải pháp nội suy đơn điểm, giá trị nội suy thời điểm trước thống kê trở nên gián đoạn không liên tục; với nội suy tuyến tính, khắc phục gián đoạn điểm nội suy, đạo hàm bậc lại khơng liên tục Rõ ràng, với tín hiệu có độ thay đổi phức tạp mặt tần số tín hiệu thủy âm, việc sử dụng phương pháp thống kê bậc cao nội suy nối trục hướng nghiên cứu khả thi sử dụng tương đương lọc tín hiệu số để nâng cao khả trích xuất đặc trưng giai đoạn tiền xử lý Hình LOFARgram Target-1 Target-3 Thuật toán nội suy khối nối trục cho kỹ thuật LOFAR triển khai sau: Đầu vào: Tín hiệu x , hàm w , hệ số   [1,2 , n ] Đầu ra: Một tensor với l chiều Khởi tạo giá trị nhỏ w n0 42 B N Hoàng, N T Kiên, V L Hà, “Nâng cao khả phân loại … không gian ẩn.” Nghiên cứu khoa học công nghệ Nếu i = tới k thực Tính tốn giá trị Spectrogram Si  STFT (x, w,i ) (Công thức 4) Giới hạn biên giá trị w n0 nhỏ Nếu w i  w w = w i Kết thúc Nếu ni  n0 n0 = n i 10 Kết thúc 11 Kết thúc 12 Nếu i = tới k thực 13 Nội suy Spectrogram CSi  INTERPOLATE(Si , w ,n ) (Công thức 8) 14 Kết thúc 15 Xếp chồng ảnh phổ nội suy  [CS1 , CS2 , CSl ] Các liệu chuẩn dùng báo lấy từ tập liệu thu thực tế q trình hoạt động mơi trường biển Việt Nam bốn lớp tầu động Diesel, liệu bốn lớp tàu thu điều kiện ổn định khác môi trường, thời gian, tốc độ di chuyển Từ liệu thực tế sau sử dụng kỹ thuật LOFAR, dải tần số đặc trưng tập trung chủ yếu khoảng 25 Hz 75 Hz Do đó, khai triển phương trình (9) để đưa hệ số nội suy khối nối trục sử dụng nghiên cứu này, cho công thức (10) (11): w  x3  2x  1, 10  x  25 (10) w  3x3  5x  8, 25  x  75 (11) Kết mơ hình LOFAR LOFAR nội suy biểu diễn hình hình Các ảnh phổ sau qua phép nội suy đưa vào phân loại sử dụng phương pháp phân phối xác suất để đưa kết đánh giá độ xác mơ hình đề xuất phần Hình LOFARgram sau nội suy Target-1 Target-3 PHÂN LOẠI TÍN HIỆU BẰNG PHÂN PHỐI XÁC SUẤT TRONG KHƠNG GIAN ẨN Các mơ hình NN truyền thống ln địi hỏi lượng lớn liệu để huấn luyện mơ hình, mà Tạp chí Nghiên cứu KH&CN quân sự, Số 80, - 2022 43 Kỹ thuật điều khiển & Điện tử thực tế, có nhiều vấn đề mà việc thu thập đủ liệu trở ngại lớn, ví dụ xây dựng liệu thủy âm, đó, Siamese Network (SN) giải pháp để khắc phục tình trạng thiếu hụt liệu Khả học đặc trưng từ lượng liệu nhỏ làm cho SN trở nên phổ biến năm gần 3.1 Siamese Network (SN) Variational Auto-Encoder (VAE) SN [16] kiến trúc mạng Nơ-ron chứa hai nhiều mạng có cấu hình, thơng số hàm trọng số Việc cập nhật thông số thực đồng thời tất mạng SN SN sử dụng để tìm giống liệu đầu vào cách so sánh vectơ đặc trưng chúng Với NN truyền thống, xuất thêm đối tượng mới, ta thường phải huấn luyện lại toàn tập liệu (bao gồm liệu cũ) Ngoài ra, mạng Nơ-ron sâu cần khối lượng lớn liệu để huấn luyện chúng SN, theo cách khác, học cách tìm giống liệu đầu vào Vì vậy, cho phép phân loại lớp liệu mà khơng cần huấn luyện lại mạng Nơ-ron Hình Mơ hình ý tưởng mạng Siamese VAE dạng autoencoder dựa xác suất, đó, đầu xuất dạng phân phối xác suất Các mơ hình AutoEncoder thơng thường có xu hướng tập trung làm giảm tối đa hàm mát (hàm mát), đó, với tín hiệu phức tạp dẫn đến khơng gian ẩn có bất thường VAE khắc phục điều cách thay encode đầu vào điểm nhất, VAE encode đầu vào dạng phân phối khơng gian ẩn chuẩn hóa ma trận hiệp phương sai trung bình phân phối 3.2 Mơ hình đề xuất kết hợp SNN-VAE Hình Mơ hình phân loại tín hiệu thủy âm đề xuất Mơ hình đề xuất mơ tả hình 5, với việc sử dụng cấu trúc mạng triple mát, ta có giá trị hàm mát mơ hình SNN-VAE tính hàm tổng giá trị suy hao mạng SN mơ hình phân phối xác suất khơng gian ẩn 44 B N Hồng, N T Kiên, V L Hà, “Nâng cao khả phân loại … không gian ẩn.” Nghiên cứu khoa học công nghệ LSNN VAE  L(A,P,N)  Lreconstruct   KL(z, N(0,Id )), (12) Với L(A,P,N) hàm suy hao mạng SN, Lreconstruct hàm mát tái cấu trúc lượng thông tin decode,  KL(z, N(0,Id )) hàm mát tái lập tính liên tục liệu Từ mơ hình mạng Nơ-ron tích chập VGG sử dụng hình 5, mơ hình đưa véc tơ encoding x1 x2 chứa thông tin biểu diễn ảnh phổ thứ ảnh phổ thứ 2; x1 x2 có số chiều Hàm f (x) có tác dụng tương tự phép biến đổi qua lớp kết nối toàn cục mạng NN để tạo tính phi tuyến giảm chiều liệu kích thước nhỏ Khi x1 x2 đối tượng không đối tượng giá trị f (x1 )  f (x ) tương ứng giá trị nhỏ lớn Mơ hình sử dụng hàm mát hàm triple loss có khả học giống hai ảnh phổ nhóm phân biệt ảnh phổ khơng nhóm Mục tiêu hàm mát tối thiểu hóa khoảng cách hai ảnh chúng khác (negative) tối đa hóa khoảng cách chúng giống (positive) Như vậy, cần lựa chọn ảnh gọi ảnh Anchor, ảnh Positive ảnh Negative, cho: - Ảnh Anchor Positive khác nhất: cần lựa chọn để khoảng cách d (A,P) lớn Ta lựa chọn ảnh phổ đối tượng ghi thời điểm khác để tạo thành cặp, cách xếp làm mơ hình học tốt - Ảnh Anchor Negative giống nhất: cần lựa chọn để khoảng d (A, N) nhỏ Điều tương tự việc thuật toán phân biệt ảnh phổ đối tượng tàu hải quân dù có dải tần hoạt động khác cường độ phân phối Mục đích cuối đạt giá trị d (A,P)  d(A, N), tức ta có: f (A)  f (P)  f (A)  f (N)  0, 2 (13) Để tránh cho mạng SNN-VAE mã hóa tất đầu dẫn đến hàm f đầu 0, ta thêm vào giá trị biên  để hàm f có đầu nhỏ giá trị đủ nhỏ f (A)  f (P)  f (A)  f (N)    0, 2 (14) Ta có hàm mát cho đầu mạng SNN là: n L(A, P,N)   max( f (Ai )  f (Pi )  f (Ai )  f (N i )   ,0), 2 (15) i 0 với n số ảnh đưa vào để huấn luyện mơ hình Hình Mơ hình phân phối xác suất khơng gian ẩn (VAE) Hình miêu tả trình đầu vào x xử lý không gian ẩn cho kết đầu d (z) , hàm mát không gian ẩn VAE là: LVAE  x  d (z)   KL(z, N(0,Id )), (16)  KL(z, N(0,Id )) phép đo khoảng cách phân phối xác suất, khác hai phân phối xác suất định khác nhau, phép đo có giá trị hai phân phối Tạp chí Nghiên cứu KH&CN quân sự, Số 80, - 2022 45 Kỹ thuật điều khiển & Điện tử coi giống Hàm mát cố gắng giảm thiểu phân kỳ phân phối ban đầu phân phối tham số hóa, từ ngăn cản mạng học phân phối hẹp cố gắng đưa phân phối gần với phân phối chuẩn đơn vị với E (z) V(z) trung bình hiệp phương sai phân phối chuẩn d (17)  KL(z, N(0, Id ))   (V(z1 )  logV(z1 )   E(z i ) ), i 1 Khi đó, ta so sánh giá trị hàm mát mô hình theo cơng thức (9) sử dụng hai liệu đầu vào spectrogram từ kỹ thuật LOFAR spectrogram từ LOFAR cải tiến, để đánh giá hiệu phân loại bốn lớp tàu với Từ hình 7, ta thấy hàm mát mơ hình phân loại với liệu nội suy có cải thiện so với liệu ban đầu, tránh tượng khớp huấn luyện, cải thiện độ xác mơ hình Tại đây, ta thấy giá trị hàm mát mơ hình hội tụ hơn, giá trị hàm mát vòng lặp 100, 150 200 cho kết giá trị loss liệu LOFARgram sau nội suy giảm đáng kể so với không nội suy, điều đảm bảo tính hội tụ mơ hình Ta sử dụng cấu hình mạng VGG truyền thống theo [17] với cửa sổ chập (3x3), lớp gộp cực đại (2x2) có bước sải 2, khối chập mạng VGG lúc gồm chuỗi tầng có cấu trúc tượng tự sau: lớp tích chập có chèn để giữ độ phân giải ổn định, lớp phi tuyến sử dụng hàm kích hoạt RELU, lớp gộp cực giảm chiều khơng gian Hình So sánh hàm mát mơ hình với hai liệu Kết phân loại chung nhóm đối tượng sau cải tiến đạt trung bình 85% so với trước khoảng 77%, độ xác phân loại lớp tàu biểu diễn hình thơng qua ma trận hỗn loạn Một khó khăn lớn xử lý tín hiệu thuỷ âm hạn chế việc thu thập liệu nước lí dân quân sự, dẫn đến việc thiếu liệu khó tiếp cận dạng tín hiệu đặc thù Trong thực tế, liệu thủy âm Việt Nam thường thu thập điều kiện môi trường, thời tiết khác nhau, thiết bị thu khơng đồng nhất, dẫn đến chất lượng tín hiệu gặp nhiều hạn chế Các mơ hình phân loại ln địi hỏi phải hoạt động hiệu với liệu nhỏ, thiếu tỷ lệ tín hiệu tín tạp thấp Do đó, báo đề xuất giải pháp kết hợp cải tiến kỹ thuật tiền xử lý LOFAR phương pháp nội suy khối nối trục (cubic splines interpolation) mơ hình phân phối xác suất không gian ẩn (Variational autoencoer-VAE), để nâng cao khả phát tín hiệu chân 46 B N Hoàng, N T Kiên, V L Hà, “Nâng cao khả phân loại … không gian ẩn.” Nghiên cứu khoa học công nghệ vịt tàu tập liệu thực thu (Bộ liệu tàu hải quân thu trình triển khai hoạt động biển) Bằng cách cải tiến phương pháp trích xuất liệu, sau ánh xạ liệu từ không gian liệu đầu vào sang khơng gian nén phi tuyến tính, thơng qua tổ hợp phi tuyến tính liên tục, mơ hình sâu vào cấu trúc liệu phức tạp biểu diễn thuộc tính tín hiệu khơng gian đơn giản chiều hơn, tăng mức độ trừu tượng lớp đầu cải thiện kết phân loại Tất trình huấn luyện thực thi mơ thực máy tính trạm Dell T3600 Xeon luồng, card đồ họa NVIDIA k2200 4GB môi trường Ubuntu 18.04, sử dụng CUDA10.1 CuDNN7.6.5, với vòng lặp 200 lần Hình Ma trận hỗn loạn biểu diễn độ xác phân loại cho lớp KẾT LUẬN Bài báo phân tích cải tiến thuật tốn LOFAR với đối tượng tàu sử dụng chân vịt làm giải pháp tiền xử lý liệu trước đưa vào phân loại mơ hình xác suất phân phối khơng gian ẩn Kết mơ hình đề xuất khắc phục hạn chế việc thiếu hụt liệu thủy âm, tăng độ xác phép phân loại SNR thấp Tuy nhiên, để tiếp tục cải thiện tính xác, tốc độ xử lý, bước cứng hóa giải pháp, hướng nghiên cứu sau cần bổ xung ngưỡng pháp hiện, kết hợp hai kỹ thuật DEMON LOFAR lúc, giải pháp sinh liệu mạng GAN để tiếp tục cải thiện kết phân loại TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] W S Burdic, “Underwater Acoustic System Analysis”, Peninsula Pub, (2003) R O Nielsen, ''Sonar signal processing'', Boston Artech House, pp 16-85, (1991) J.C Martino, "An approach to detect lofar lines", Pattern Recognition Letters 17.1, pp 37-46, (1996) Q Li, “Digital sonar design in underwater acoustics principles and applications", Springer Science & Business Media, (2012) J Choi, “Acoustic Classification of Surface and Underwater Vessels in the Ocean Using Supervised Machine Learning”, Sensors 19.16, (2019) Y LeCun, “Deep learning”, Nature, vol 521, pp 436-444, (2015) S Min, "Underwater target recognition based on wavelet packet entropy and probabilistic neural network", International Conference on Signal Processing, Communication and Computing, IEEE, (2013) T P Hua, "Classification of Underwater Echo Based on Fractal Theory and Learning Vector Quantization Neural Network.", Applied Mechanics and Materials Vol 148 Trans Tech Publications Ltd, (2012) Tạp chí Nghiên cứu KH&CN quân sự, Số 80, - 2022 47 Kỹ thuật điều khiển & Điện tử [9] Q Weibiao, "Underwater targets classification using local wavelet acoustic pattern and Multi-Layer Perceptron neural network optimized by modified Whale Optimization Algorithm", Ocean Engineering 219: 108415, (2021) [10] W Zhengxian, et al "A method of underwater acoustic signal classification based on deep neural network", 2018 5th International Conference on Information Science and Control Engineering (ICISCE) IEEE, (2018) [11] N N Moura, ''Novelty detection in passive sonar systems using support vector machines'', Latin America Congress on Computational Intelligence (LA-CCI), pp 1-6, IEEE, (2015) [12] T McConaghy, H Leung, and V Varadan, “Classification of audio radar signals using radial basis function neural networks” IEEE Transactions on Instrumentation and Measurement, 52(6), pp 1771-1779, (2003) [13] M Farrokhrooz and M Karimi, “Ship noise classification using probabilistic neural network and AR model coefficients” Europe Oceans journal Vol 2, IEEE, pp 1107-1110, (2005) [14] J Q Gauthier and T A Gooley, "Cubic splines to model relationships between continuous variables and outcomes: a guide for clinicians." Bone marrow transplantation 55.4, pp 675-680, (2020) [15] S A Dyer and J S Dyer, "Cubic-spline interpolation", IEEE Instrumentation & Measurement Magazine 4.1, pp 44-46, (2001) [16] R Fuji et al "Intention detection based on siamese neural network with triplet loss", IEEE Access 8: 82242-82254, (2020) [17] K Simonyan and A Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, (2014) ABSTRACT Classification of propeller vehicle using LOFAR cubic splines interpolation in combination with triple loss variational auto encoder In the field of ocean acoustics, both traditional and modern underwater signal processing methods have recently achieved positive results For sonar problems serving national defense and security tasks, the need for timely and accurate classification of propeller ship types is of top importance This study presents an underwater signal processing model for the purpose of detecting and classifying propeller ships with improved LOFAR techniques by cubic splines interpolation (CSI) combined with probability distribution in the hidden space domain The results of the proposed model, tested on real data sets, show that the classification accuracy has increased by 10%, achieving an efficiency of 88% compared to the previous models This solution also demonstrates that the model combining traditional and modern methods can effectively classify actual signals even when the amount of data is lacking and the signal-to-noise ratio is low Keywords: Underwater processing; Sonar; Interpolation; Triple loss 48 B N Hoàng, N T Kiên, V L Hà, “Nâng cao khả phân loại … không gian ẩn.” ... phép nội suy đưa vào phân loại sử dụng phương pháp phân phối xác suất để đưa kết đánh giá độ xác mơ hình đề xuất phần Hình LOFARgram sau nội suy Target-1 Target-3 PHÂN LOẠI TÍN HIỆU BẰNG PHÂN PHỐI... interpolation) mơ hình phân phối xác suất không gian ẩn (Variational autoencoer-VAE), để nâng cao khả phát tín hiệu chân 46 B N Hoàng, N T Kiên, V L Hà, ? ?Nâng cao khả phân loại … không gian ẩn. ” Nghiên... thức nội suy đa thức bậc cao hạn chế mơ hình thống kê, ta sử dụng nội suy khối nối trục [14, 15] Dữ liệu tiền xử lý biểu diễn dạng ảnh phổ LOFARgram đưa qua nội suy khối nối trục để ước tính