Tóm tắt: Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.

Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm tại vùng biển nước nông ứng dụng trí tuệ nhân tạo.

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CƠNG NGHỆ QN SỰ BẠCH NHẬT HỒNG NGHIÊN CỨU GIẢI PHÁP NÂNG CAO CHẤT LƯỢNG PHÂN LOẠI TÍN HIỆU THỦY ÂM TẠI VÙNG BIỂN NƯỚC NƠNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO Ngành : Kỹ thuật điện tử Mã số : 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2023 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI VIỆN KHOA HỌC VÀ CƠNG NGHỆ QN SỰ - BỘ QUỐC PHỊNG Người hướng dẫn khoa học: PGS TS Nguyễn Văn Đức TS Vũ Lê Hà Phản biện 1: GS.TS Vũ Văn Yêm Phản biện 2: PGS.TSKH Hoàng Đăng Hải Phản biện 3: TS Phan Huy Anh Luận án bảo vệ trước Hội đồng đánh giá luận án Tiến sĩ cấp Viện, họp Viện Khoa học Công nghệ quân sự, vào hồi , ngày .tháng năm 2023 Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học Công nghệ quân - Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết đề tài luận án Theo lý thuyết định vị, tùy theo chức công dụng mà hệ thống định vị thủy âm sonar có từ đến bốn tốn gắn với xử lý tín hiệu thủy âm: phát nguồn âm; định vị nguồn âm; phân loại nhận dạng nguồn âm; giám sát nguồn âm Bài toán phân loại tín hiệu nằm lớp thứ ba, có khối lượng tính tốn lớn, độ phức tạp cao Đặc biệt khu vực môi trường nước nông vùng không gian có độ bất định cao, có nhiều nguồn âm đa dạng, yếu tố vật lý phức tạp làm cho tốn xử lý tín hiệu vùng biển nước nông trở nên phức tạp Các nguồn âm đại dương chia thành hai loại nguồn sinh học phi sinh học Trong đó, trình di chuyển tàu thuyền nguồn gây tiếng ồn phi sinh học Nguồn âm phi sinh học đến từ sinh vật biển cỡ lớn có giải tần chồng lấn với nhiều tín hiệu nhân tạo khác, dẫn đến khó khăn hoạt động quốc phòng an ninh kinh tế dân Sự thiếu hụt sở liệu thuỷ âm nhiều lí với yếu tố phức tạp mơi trường làm q trình phân loại tín hiệu thủy âm trở thành thách thức Một hệ thống phân loại theo nguyên lý sonar phải đạt yêu cầu nhận dạng đối tượng xác hơn, mà cịn phải có tính thích ứng với điều kiện khác Trước xử lý tín hiệu theo ngun lý sonar dựa vào mơ hình lan truyền nguyên tắc vật lý môi trường biết; việc nghe quan sát phổ, trắc thủ sonar đưa định tín hiệu thủy âm thuộc lớp đối tượng Trong thực tế vận hành, yếu tố người khó trì ổn định theo thời gian dài, mẫu tín hiệu có đánh giá khác trắc thủ, chí với trắc thủ thời điểm khác Trong năm gần đây, phương pháp ứng dụng trí tuệ nhân tạo để phân loại tín hiệu thủy âm cộng đồng nghiên cứu quan tâm sâu sắc Ở Việt Nam, nhóm nghiên cứu Đại học Bách khoa Hà Nội, Học viện kỹ thuật Quân sự, Viện Khoa học Công nghệ Quân sự, Đại học Công nghệ có kết tốt học thuật cơng nghệ chun ngành: mơ hình kênh thủy âm, xử lý tín hiệu trường phối hợp, thiết kế chế tạo thiết bị truyền tin nước Tuy nhiên nghiên cứu phân loại tín hiệu thủy âm theo nguyên lý sonar thụ động ứng dụng trí tuệ nhân tạo khơng có nhiều Từ sở trên, nghiên cứu phân loại tín hiệu thủy âm cần thiết, có ý nghĩa mặt học thuật thực tiễn Do đó, nghiên cứu sinh lựa chọn đề tài: “Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm vùng biển nước nơng ứng dụng trí tuệ nhân tạo” Kết nghiên cứu luận án đóng góp thêm sở khoa học để tiếp tục hướng nghiên cứu tiếp theo, tiến tới làm chủ giải pháp kỹ thuật, phát triển hệ thống xử lý tín hiệu thủy âm Mục tiêu nghiên cứu luận án Luận án tập trung vào đề xuất thuật tốn, xây dựng mơ hình tốn học, chứng minh tính hiệu phương pháp tiền xử lý tín hiệu trích chọn đặc trưng liệu Bên cạnh đó, xây dựng cấu trúc mơ hình mạng trí tuệ nhân tạo nâng cao khả học từ cấu trúc liệu Đánh giá, so sánh hiệu với kết tập liệu Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu: phân loại tín hiệu thủy âm theo nguyên lý sonar mơ hình kết hợp hai giai đoạn tiền xử lý mơ hình trí tuệ nhân tạo Phạm vi nghiên cứu: tín hiệu giao tiếp sinh vật biển, tín hiệu lớp tàu chân vịt qúa trình di chuyển Phương pháp nghiên cứu Luận án sử dụng phương pháp tham khảo tài liệu, phân tích lý thuyết, xây dựng chứng minh tốn học kết hợp mô liệu thực tế Nội dung nghiên cứu Để đạt mục tiêu đặt ra, luận án thực nội dung nghiên cứu sau: nghiên cứu chất vật lý tín hiệu sinh học phi sinh học; mơ lại nghiên cứu có liên quan để đối chứng; thu thập xử lý liệu thực tế; thực đánh giá thuật toán Ý nghĩa khoa học thực tiễn đề tài luận án Kết nghiên cứu luận án góp phần bổ sung sở khoa học, phương án kỹ thuật giải pháp thực tế tính tốn thiết kế khối xử lý tín hiệu số hệ thống sonar Thúc đẩy hướng phát triển nghiên cứu ứng dụng trí tuệ nhân tạo nghiên cứu sonar, bước làm chủ kỹ thuật để thay chế tạo khối chức hệ thống sonar Bố cục luận án Bố cục Luận án gồm chương: Chương 1: Tổng quan phân loại tín hiệu thủy âm sinh học phi sinh học vùng biển nước nơng Chương 2: Phân loại tín hiệu tàu chân vịt giải pháp biến thiên biên độ phổ kết hợp mạng tích chập tùy biến Chương 3: Phân loại tín hiệu giao tiếp sinh vật biển tàu chân vịt giải pháp nội suy khối nối trục kết hợp phân phối xác suất miền không gian ẩn Chương TỔNG QUAN VỀ PHÂN LOẠI TÍN HIỆU THỦY ÂM SINH HỌC VÀ PHI SINH HỌC VÙNG BIỂN NƯỚC NƠNG 1.1 Tín hiệu thủy âm sinh học-phi sinh học hệ thống phân loại tín hiệu thủy âm vùng biển nước nơng 1.1.1 Đại dương đặc trưng truyền âm vùng biển nước nơng Nguồn tín hiệu âm nước tạo nhiều đối tượng từ hoạt động biển tàu thuyền, khai thác tài nguyên biển, tín hiệu giao tiếp sinh vật biển, rung động địa chấn đáy biển, gió, sét Việc phân loại tự động dạng tín hiệu âm nhiệm vụ phức tạp, tín hiệu tàu phụ thuộc vào tốc độ, niên hạn hoạt động trạng thái hệ thống đẩy; phức tạp chế phát sóng âm sinh vật biển; bên cạnh nhiễu thay đổi phức tạp đa dạng chế truyền âm đại dương Đặc biệt môi trường biển nước nông, môi trường bị ảnh hưởng lớn nhiễu nền, tượng đa đường, dịch tần doppler Các giải pháp tính tốn thống kê hướng tiếp cận phù hợp để xử lý vấn đề liên quan đến âm học đại dương 1.1.2 Các nguồn âm sinh học, phi sinh học Đại dương môi trường phức tạp chứa nhiều nguồn âm tồn Trước đây, phần lớn tín hiệu mơi trường biển đến từ nguồn tự nhiên bão, động đất, sinh vật biển với phát triển thời đại cơng nghiệp, tín hiệu tăng lên kể từ hoạt động người, bao gồm hoạt động vận tải, khai thác biển, hệ thống sonar Khơng phải tất tín hiệu âm tạo không hoàn toàn giống trường hợp sinh từ nguồn âm Sự tuần hoàn, ngẫu nhiên, biến thiên, chồng lấn giải tần nguồn âm nhân tạo tự nhiên làm cho môi trường biển trở nên phức tạp 1.1.3 Hệ thống phát tín hiệu thủy âm theo nguyên lý sonar 1.2 Các phương pháp phân loại tín hiệu thủy âm cổ điển Trong lĩnh vực âm học đại dương, tín hiệu thủy âm định nghĩa tín hiệu chiều có biên độ dao động theo thời gian nên đặc trưng liệu thủy âm thu thập tốt miền tần số 1.2.1 Biến đổi miền thời gian-tần số 1.2.2 Thuật toán LOFAR LOFAR phép phân tích phổ băng rộng sử dụng để xử lý tín hiệu thủy âm sinh từ động tàu trình hoạt động Các bước thực bao gồm: tín hiệu thu số hóa, triệt xung cưa, hạ tần, nhân với cửa sổ Hanning, cuối biến đổi FFT 1.2.3 Thuật toán CMS 1.2.4 Thuật toán DEMON DEMON tập hợp thuật tốn dùng để phân tích tín hiệu thủy âm băng hẹp dựa nguyên tắc coi tiếng ồn hay tín hiệu thủy âm tạo tàu biển chân vịt trục quay động đường bao điều chế biên độ dạng sóng mang có tần số f đặc trưng Hình 1.9: DEMON truyền thống Tín hiệu thủy âm dạng sóng ngẫu nhiên đặc trưng cho tiếng ồn xâm thực dạng sóng điều chế, xác định tính tuần hồn vịng quay chân vịt với tần số Từ tín hiệu thủy âm thơ thu được, tính đường bao điều chế, ước lượng tần số sóng mang phân tích Fourier Tần số quay trục cánh quạt, chân vịt tàu dấu hiệu đặc trưng để phát nhận dạng đối tượng Hình 1.10: Cải tiến DEMON hạ tần Trong thực tế, thực kỹ thuật DEMON có nhiều biến thể khác sở thuật tốn DEMON tổng qt Hình 1.8 Các biến thể Hình 1.9, Hình 1.10 hướng tới mục đích ước lượng cho xác tần số điều chế chân vịt Hình 1.11: Cải tiến DEMON lọc Hilbert 1.3 Các phương pháp phân loại tín hiệu thủy âm đại 1.3.1 Mơ hình máy Boltzman rời rạc 1.3.2 Mơ hình tự mã Mơ hình Auto-Encoder chuyển liệu thủy âm thu từ nhiều chiều khơng gian có chiều thấp hơn, thơng qua việc sử dụng thêm hàm kích hoạt làm mơ hình AE có khả học mối quan hệ phi tuyến Tuy nhiên, không gian ẩn AE gặp phải hai vấn đề là: tính liên tục tính đầy đủ 1.3.3 Mơ hình mạng học sâu tích chập Do cách biểu diễn ảnh phổ liệu thủy âm quy định dạng kiểu hình ảnh nói chung, biểu diễn liệu qua hai chiều (kích thước khơng gian hình ảnh thời gian-tần số ảnh phổ) Vì vậy, tiến gần mạng Nơ-ron tích chập thúc đẩy việc cải thiện độ xác phân loại giải pháp có Mạng tích chập cấu hình theo dạng chuyển tiếp, lớp khơng kết nối hồn tồn Tập hợp kết nối gọi lọc sử dụng lặp lặp lại thông qua nút đến, cách thay đổi điểm đầu điểm cuối kết nối, để tạo đầu tín hiệu 1.4 Tình hình nghiên cứu trong-ngồi nước phân loại tín hiệu thủy âm số vấn đề tồn Các phương pháp phân loại tín hiệu thuỷ âm chia thành ba xu hướng chính: thứ xu hướng không sử dụng bước tiền xử lý mà sử dụng học sâu tích chập học máy; thứ hai xu hướng sử dụng bước tiền xử lý lọc sinh học, kỹ thuật biến đổi miền thời gian-tần số trước sử dụng trí tuệ nhân tạo; thứ ba xu hướng học chuyển giao thừa hưởng kết từ lĩnh vực có liên quan khác Các nguồn liệu với ký hiệu (*) không công khai, (**) liệu ShipEars, (***) liệu Deepship., (****) liệu NOAA 1.4.1 Chỉ sử dụng thuật tốn trí tuệ nhân tạo Thay áp dụng phương pháp tiếp cận hai giai đoạn, mơ hình phân loại sử dụng mạng Nơ-ron đưa tín hiệu âm chưa qua xử lý vào lọc trực tiếp nút mạng tích chập Bảng 1.4 Một số kết sử dụng thuật tốn trí tuệ nhân tạo Mơ hình Đối tượng Kết Cơng bố HMM Tầu ngầm (*) Phân loại: 65,6% 1998 CNN Tàu (*) Phân loại: 79,2% 2018 Deep CNN Tàu (*) Phát hiện: 81,96% 2019 MSRDN Tàu (*) Phân loại: 83,15% 2021 CNN Tàu (**) Phân loại: 88,92% 2021 CNN Phân loại: 76,35% SVM Phân loại: 72,24% Tàu (***) 2021 RF Phân loại: 69,71% Naive-Bayes Phân loại: 53,97% CNN Tàu (*) Phân loại: 66,72% 2022 CNN Tàu (*) Phát hiện: 96,67% 2022 AutoEncoder Sinh vật biển (*) Phân loại: 82,59% 2022 AutoEncoder Cá heo (*) Phân loại: 86% 2020 1.4.2 Tiền xử lý trước sử dụng thuật tốn trí tuệ nhân tạo Một đặc trưng quan trọng tín hiệu thuỷ âm thành phần tần số đặc trưng phân bố miền thời gian, nên cách tiếp cận sử dụng biến đổi miền tần số miền thời gian-tần số sử dụng để phân loại tín hiệu tàu chân vịt tín hiệu giao tiếp sinh vật biển Bảng 1.5 Một số kết tiền xử lý kết hợp trí tuệ nhân tạo Tiền xử lý Phân loại Đối tượng Kết Công bố Phát hiện: 82,7% DEMON ICA Tàu (*) 2011 Phân loại: 92% LOFAR SVM Tàu (*) Phân loại: 82,14% 2015 DEMON-ICA FCNN Tàu (*) Phân loại: 61,27% 2018 Lọc trung vị FCNN Tàu (*) Phân loại: 85,4% 2018 DEMON CNN Phát hiện: 53,07% Tàu (*) 2020 LOFAR CNN Phát hiện: 83,64% DEMON CNN/MLP Tàu (*) Phân loại: 80,1 % 2020 Tương quan CNN Tàu (*) Phát hiện: 80% 2022 DEMON Tàu (*) Phát hiện: 94,7 % 2022 Mel Inception Sinh vật biển (*) Phát hiện: 84,42% 2018 WMFCC KNN/SVM Sinh vật biển (*) Phân loại: 88,9% 2018 GFCC FCNN Sinh vật biển (*) Phát hiện: 94,3% 2019 Gabor GNN Sinh vật biển (*) Phân loại: 79,93% 2020 Cochlea CNN Sinh vật biển (*) Phân loại: 87,72% 2020 Sinh vật biển (*) Phát hiện: 96,3% STFT SNN 2021 (****) Phân loại: 88,7% 1.4.3 Học chuyển giao Trong toán phân loại liệu sonar, liệu gắn nhãn sẵn hạn chế, dẫn đến khó đủ liệu để đào tạo mơ hình đủ tin cậy để hữu ích tình địi hỏi mức độ xác cao 1.4.4 Một số vấn đề tồn Thứ nhất: Sử dụng xu hướng để phân loại tín hiệu thủy âm bỏ qua tham số môi trường ảnh hưởng đến ghi, khó đánh giá nhiệm vụ phân loại liên quan đến hiệu suất hệ thống sonar tình riêng biệt Thứ hai: Sử dụng xu hướng hai ba cách tiếp cận nhận dạng tồn đặc trưng tín hiệu từ nguồn âm, q trình phát địi hỏi cấu trúc phần cứng khối lượng tính tốn phức tạp Thứ ba: Các kỹ thuật đặc thù để phân loại tín hiệu tàu chân vịt DEMON, LOFAR bị giới hạn bước lựa chọn lọc thông dải theo kinh nghiệm người vận hành hệ thống; hạn chế cần khắc phục bối cảnh hệ tàu chân vịt ngày cải tiến Sự khác độ phân giải phép biến đổi miền thời giantần số ảnh hưởng đến chất lượng tiền xử lý, yêu cầu đặt phải đưa giải pháp cân chất lượng xử lý liệu mà không gây ảnh hưởng đến cấu trúc liệu Thứ tư: Dữ liệu tín hiệu sinh từ tàu chân vịt bí mật khó tiếp cận Do đó, u cầu tối ưu hoá giải pháp tiền xử lý, lọc phân loại thích nghi với liệu nhỏ, SNR thấp cần thiết Thứ năm: Mơ hình có nhiều lớp hiệu khơng phải ln cho độ xác cao mơ hình phức tạp 1.5 Định hướng nghiên cứu luận án sở liệu 1.5.1 Định hướng nghiên cứu Luận án đề xuất giải pháp sử dụng liệu âm thô làm đầu vào, đưa qua trình tiền xử lý để trích xuất tính cuối trả kết phân lớp Giải pháp chia thành hai bước, đầu hệ thống thứ đầu vào hệ thống thứ hai, minh họa Hình 1.14: Hình 1.14: Mơ hình đề xuất hệ thống xử lý Như toán mà luận án cần giải tập trung bốn vấn đề sau: - Nghiên cứu thuật tốn tiền xử lý trích xuất đặc trưng cho tín hiệu tàu chân vịt trình di chuyển, đối chứng so sánh với họ thuật toán DEMON để kiểm chứng DEMON thuật toán sử dụng để xử lý tín hiệu tàu chân vịt công bố khoa học ứng dụng thực tế - Nghiên cứu cách phân loại tín hiệu phi sinh học (tàu chân vịt) dùng phương pháp trí tuệ nhân tạo với cấu trúc mạng Nơ-ron tích chập, từ đưa kết đánh giá so sánh với cơng bố có tập liệu thực tế - Nghiên cứu thuật toán tiền xử lý trích xuất đặc trưng cho tín hiệu sinh học (giao tiếp sinh vật biển), tiếp tục đối chứng so sánh kết với giải pháp có tập liệu thực tế - Nghiên cứu cách phân loại tín hiệu sinh học (sinh vật biển) cách tiếp cận trí tuệ nhân tạo, tiếp tục kiểm chứng hiệu mô hình phân loại liệu thủy âm tồn đồng thời tín hiệu sinh học phi sinh học 1.5.2 Cơ sở liệu tín hiệu thủy âm sử dụng luận án 1.5.2.1 Bộ liệu Deepship Bộ liệu tàu chân vịt Deepship sử dụng cơng trình [CT5], [CT7] 1.5.2.2 Bộ liệu ShipEars Bộ liệu tàu chân vịt Shipears sử dụng cơng trình [CT1], [CT2], [CT3] 1.5.2.3 Bộ liệu NOAA Bộ liệu tín hiệu giao tiếp sinh vật biển NOAA sử dụng cơng trình [CT6], [CT7] Chương PHÂN LOẠI TÍN HIỆU TÀU CHÂN VỊT BẰNG GIẢI PHÁP BIẾN THIÊN BIÊN ĐỘ PHỔ KẾT HỢP MẠNG TÍCH CHẬP TÙY BIẾN 2.1 Q trình hình thành tín hiệu tàu chân vịt di chuyển 2.1.1 Các tín hiệu sinh từ chân vịt di chuyển 2.1.2 Hiện tượng xâm thực Khi tầu sử dụng chân vịt di chuyển môi trường nước, theo định luật Bernoulli, xuất áp suất dương bề mặt cánh quạt 11 Hình 2.4: Lưu đồ thuật tốn đề xuất xử lý tín hiệu chân vịt Các bước thực thuật tốn sau: Bước 1: Tính biến thiên biên độ tần số theo đoạn phổ tín hiệu, xây dựng ma trận phổ tín hiệu Bước 2: Phổ tín hiệu tính STFT Bước 3: Lấy trung bình biên độ đoạn Bước 4: Xếp chồng tín hiệu để giảm phương sai 12 2.2.4 Đánh giá hiệu thuật toán liệu tàu thực tế - Trường hợp một: Tàu di chuyển với vật tốc thay đổi phức tạp Hình 2.8 Phát tín hiệu tàu thuật tốn đề xuất ghi - Trường hợp hai: tàu di chuyển ổn định với vận tốc không đổi nhiễu Hình 2.9 Phát tín hiệu tàu thuật tốn đề xuất ghi - Trường hợp ba: tàu bắt đầu di chuyển với tốc độ chậm Hình 2.10 Phát tín hiệu tàu thuật tốn đề xuất ghi Dữ liệu thủy âm liệu ShipEars chia thành 3300 có xếp chồng để đảm bảo tính liêu tục liệu Trong 1800 ghi chứa loại tín hiệu tàu chân vịt, 1500 ghi chứa nhiễu Bảng 2.1: So sánh kết với công bố tập liệu tàu thực tế DEMON-Hilbert Biến thiên biên độ [60] [154] Phát 81,28% 98,22% 88,92% 96,67% Báo động lầm 13,2 % 3% 13 Kết xử lý thuật toán đề xuất biến thiên biên độ phổ cho kết phát đạt 98,22% Bảng 2.1, cao kết công bố tập liệu ShipEars 88,92% 96,67% Bảng 2.2 So sánh tốc độ xử lý ghi Tàu Tàu Tàu Tàu Thời gian ghi 20 40 60 Biến thiên biên độ phổ 0.002s 0.005s 0.008s 0.014s DEMON-Hilbert 0.351s 0.877s 1.239s 2.026s Chênh lệch số lần 175 162 146 140 Trong ghi liệu độ phức tạp khơng gian nhớ cần xử lý DEMON-Hilbert lớn thuật toán biến thiên biên độ phổ Kết thuật toán đề xuất biến thiên biên độ phổ tạo ảnh phổ ảnh spectrogram sử dụng làm đầu vào cho mạng Nơ-ron Hình 2.11 Ảnh phổ spectrogram số ghi thực tế 2.2.5 Đánh giá hiệu thuật toán tín hiệu thở người nhái - Nhịp thở người nhái thơng thường di chuyển Hình 2.14 Phát tín hiệu người nhái thuật toán đề xuất ghi - Nhịp thở người nhái có kinh nghiệm thở di chuyển 14 Hình 2.16 Phát tín hiệu người nhái thuật toán đề xuất ghi 2.3 Đề xuất cải tiến mạng Nơ-ron tích chập tùy biến 2.3.1 Cơ sở lựa chọn mạng tích chập 2.3.2 Cấu hình mạng đề xuất Hình 2.17 Kiến trúc đầy đủ mơ hình mạng CNN đề xuất Mạng CNN đề xuất sử dụng lớp chuẩn hóa với cấu trúc gồm lớp đầu vào, lớp tích chập, lớp tổng hợp tối đa toàn cục lớp kết nối đầy đủ Mơ hình đề xuất sử dụng lớp chuẩn hóa phía sau để đảm bảo giá trị trung bình độ lệch chuẩn yếu tố đầu vào giữ nguyên giảm thiểu biến động phân phối 2.3.3 Đánh giá độ phức tạp mạng tích chập đề xuất Cấu trúc mạng tích chập LeNet VGG16 có số lượng tham số 60.000 138.000.000 Trong đó, số lượng tham số mơ hình đề xuất 31.000.000, giảm lần so với mơ hình VGG16 VGG19, hạn chế độ phức tạp tính tốn Mơ hình đề xuất đẩy nhanh tốc độ huấn luyện, tập trung vào cửa sổ trượt có kích cỡ phù hợp, lớp chuẩn hóa để nâng cao chất lượng phân loại liệu thủy âm 15 2.4 Kết kết hợp hai giải pháp đề xuất dùng cho phân loại tín hiệu tàu chân vịt 2.4.1 Đánh giá phân loại thuật toán DEMON-Hilbert với mạng tích chập LeNet VGG dùng làm kết đối chứng Bộ liệu ảnh phổ xử lý DEMON phân loại cấu trúc LeNet VGG đạt độ xác 54% Hình 2.22 63% Hình 2.23 Hình 2.22 Độ xác mơ hình DEMON-LeNet (54%) Hình 2.23 Độ xác mơ hình DEMON-VGG (63%) 2.4.2 Kết phân loại thuật toán đề xuất biến thiên biên độ phổ với mạng tích chập LeNet VGG Tương tự, liệu ảnh phổ xử lý thuật toán đề xuất biến thiên biên độ phổ đưa qua mơ hình LeNet VGG, đạt độ xác 70% Hình 2.24 78% Hình 2.25 Hình 2.24 Độ xác mơ hình AV-LeNet (70%) Hình 2.25 Độ xác mơ hình AV-VGG (78%) 16 2.4.3 Kết phân loại thuật toán DEMON-Hilbert biến thiên biên độ phổ với mạng tích chập tùy biến đề xuất So sánh hiệu mạng tích chập đề xuất phân loại liệu tiền xử lý DEMON thuật toán biến thiên biên độ phổ độ xác phân loại 80% Hình 2.26 90% Hình 2.27 Hình 2.26 Độ xác mơ hình Hình 2.27 Độ xác mơ hình AV-CNN đề xuất (90%) DEMON-CNN đề xuất (80%) Kích cỡ ma trận xử lý tín hiệu thuỷ âm chọn số lẻ để ma trận đầu vào có điểm ảnh làm trọng tâm, đại diện cho vị trí lọc để cải thiện độ xác cho q trình phân loại Lớp chuẩn hố phía sau hàm kích hoạt để tránh làm đặc trưng ảnh phổ kích hoạt RELU Chuẩn hố đầu giúp hệ số trở nên cân hơn, giúp mơ hình dễ hội tụ hơn, tránh tượng triệt tiêu đạo hàm mơ hình sâu nhiều lớp 2.4.4 Đánh giá hiệu cấu hình mạng tích chập tùy biến Hình 2.30 Bản đồ nhiệt mơ hình đề xuất liệu tàu ghi Hình 2.31 Bản đồ nhiệt mơ hình đề xuất liệu tàu ghi 17 Chương PHÂN LOẠI TÍN HIỆU GIAO TIẾP SINH VẬT BIỂN VÀ TÀU CHÂN VỊT BẰNG GIẢI PHÁP NỘI SUY KHỐI NỐI TRỤC KẾT HỢP PHÂN PHỐI XÁC SUẤT TRONG MIỀN KHƠNG GIAN ẨN 3.1 Cấu trúc tín hiệu giao tiếp sinh vật biển Giống người, tín hiệu giao tiếp sinh vật biển tạo tập hợp mô nằm quản cổ họng 3.2 Đề xuất giải pháp tiền xử lý nội suy khối nối trục 3.2.1 Cơ sở lý luận sử dụng nội suy khối nối trục Giải pháp sử dụng nội suy liệu không làm tăng lượng thơng tin hữu ích tập trung làm bật đặc trưng thông tin cần xử lý, thuật tốn nội suy có tác dụng tương tự lọc tín hiệu số Sau trượt cửa sổ dọc theo chiều thời gian ghi, ảnh phổ tạo có khác độ phân giải Sử dụng phép nội suy khối nối trục ảnh phổ, làm chiều ma trận tương ứng với ảnh phổ giống Cuối xếp chồng ảnh phổ nội suy để tạo thành tensor đa kênh tương tự ảnh màu RGB 3.2.2 Các phép nội suy miền tần số giải pháp đề xuất 3.2.3 Xây dựng cấu trúc thuật tốn đề xuất Hình 3.9 Sơ đồ khối giải pháp đề xuất Giải pháp đề xuất sử dụng nội suy cubic splines biến đổi STFT kết hợp với biến đổi Wavelet liên tục biến đổi phổ tần số Mel để tối ưu hóa tồn dải tần số chứa thông tin đặc trưng tín hiệu Hình 3.9 Thuật tốn đề xuất nội suy khối nối trục miền tần số Hình 3.10 thực phép tốn nội suy giá trị điểm không gian bỏ qua dựa liệu tính tốn Kết phép tốn biểu diễn tín hiệu thủy âm theo cách mới, khai thác mối quan hệ tần số đặc trưng trích xuất ổn định chất lượng liệu 18 Hình 3.10: Lưu đồ thuật tốn đề xuất xử lý tín hiệu sinh vật biển 3.2.4 Kết thuật toán đề xuất liệu thực tế Dữ liệu đầu vào spectrogram với kích thước (224x224) với cửa sổ Hanning, FFT 256 mẫu, xếp chồng 75% mẫu tín hiệu liệu BOC-NOAA Bảng 3.2: So sánh kết với công bố tập liệu thực tế NOAA Luận án đề xuất Luận án đề xuất Công bố liên quan, 2022 Tiền xử lý STFT Nội suy STFT STFT Mạng phân CNN tùy biến CNN tùy biến CNN loại (Chương 2) (Chương 2) Độ xác 80.5% 86.5% 80.45% 19 Hình 3.13 So sánh ma trận hỗn loạn hai cách tiếp cận Kết phân loại nhóm tàu đạt 86,5% đề xuất cubic splinesCNN so với 80,5% STFT-CNN biểu diễn Hình 3.13 Giải pháp đề xuất trích xuất đặc trưng tần số tốt dẫn đến tăng độ xác phân loại Bên canh đó, sử dụng biến đổi STFT chưa đặc tả đầy đủ đặc trưng liệu giao tiếp sinh vật biển 3.3 Đề xuất giải pháp sử dụng phân phối xác suất miền không gian ẩn cho mạng Siamese triple loss 3.3.1 Cấu trúc mạng Siamese triple loss 3.3.2 Mơ hình mạng Rep-VGG 3.3.3 Giải pháp phân phối xác suất miền không gian ẩn 3.3.4 Đề xuất mơ hình SNN-VAE Mơ hình đề xuất miêu tả Hình 3.16 Hình 3.16 Mơ hình SNN-VAE đề xuất 20 3.4 Kết kết hợp hai giải pháp đề xuất dùng cho phân loại tín hiệu sinh vật biển tàu chân vịt 3.4.1 Kết phân loại SNN-VAE với liệu tàu chân vịt Các tín hiệu tàu chân vịt sử dụng ghi liệu Deepship bao gồm lớp tàu ký hiệu: Tàu kéo (Tug-T), Tàu chở hàng (Cargo-C), Tàu chở dầu (Tanker-Tk), Tàu chở khách (Passenger-P), tương ứng tạo ảnh phổ Lofargram với số điểm FFT 1024, xếp chồng 50% Giải pháp hạ tần sử dụng để tránh xung cưa loại bỏ tần số không mong muốn, tần số sau hạ tần nhân với cửa sổ Hanning, sau sử dụng lọc TPSW biến đổi STFT để tạo ảnh phổ Hình 3.20 So sánh ma trận hỗn loạn phân loại VGG19 SNN-VAE Độ xác phân loại với SNN-VAE VGG19 thể Hình 3.19 88% 78,04%, cao cơng bố có liên quan khác sử dụng CNN với liệu NOAA 76,25% 66,72% 3.4.2 Kết phân loại nội suy khối nối trục kết hợp SNN-VAE với liệu giao tiếp sinh vật biển 3.4.2.1 Trường hợp thứ nhất: Đánh giá hiệu phương pháp Hình 3.21 Độ xác mơ hình STFT-RepVGG Hình 3.22 Độ xác mơ hình Wavelet-RepVGG 21 Hình 3.23 Độ xác mơ hình Mel-RepVGG Kết phân loại biểu diễn Hình 3.21, Hình 3.22 Hình 3.23 đạt độ xác 52%, 45% 58% 3.4.2.2 Trường hợp thứ hai: có nội suy xếp chồng Hình 3.24 Độ xác nội suy Cubic Splines xếp chồng với Rep-VGG Giải pháp đề xuất sử dụng nội suy xếp chồng đạt độ xác phân loại khoảng 72% Hình 3.24, cao sử dụng kỹ thuật riêng lẻ, mà mơ hình khơng bị bão hòa 3.4.2.3 Trường hợp thứ ba: thay Rep-VGG-A0 SNN-VAE Hình 3.26 Độ xác nội suy Cubic Splines xếp chồng với SNN-VAE Độ xác phân loại liệu thủy âm sinh vật biển tăng từ 72% lên 91,2% phân loại lớp sinh vật Hình 3.26 22 Bảng 3.5: So sánh với kết công bố sử dụng liệu NOAA SNN-VAE đề xuất Rep-VGG AE ResNet Độ 91,2% 72% Nhiễu: 69% 85,4% xác Khơng nhiễu: 80% 3.4.3 Kết phân loại nội suy khối nối trục kết hợp SNN-VAE với liệu giao tiếp sinh vật biển tàu chân vịt Hình 3.28 Kết phân loại nhóm tín hiệu sinh vật biển Hình 3.31 Kết phân loại nhóm tín hiệu sinh vật biển tàu chân vịt Kết giải pháp nội suy xếp chồng kết hợp SNN-VAE đạt độ xác phân loại tín hiệu lớp sinh vật biển KW, HW, CD SD 90%, 87%, 97% 95% Hình 3.28 cao giải pháp phân loại tập BOC-NOAA sử dụng STFT kết hợp mạng CNN tùy biến 84%, 79%, 79%, 80%; STFT nội suy kết hợp CNN tùy biến 87%, 92%, 81% 83% Độ xác trung bình mạng SNN-VAE đạt 89,5% phân loại nhóm đối tượng, xác suất phát tín hiệu nguồn âm sinh học, giảm khoảng 1% so với phân loại nhóm đối tượng có tín hiệu sinh vật biển Như khả áp dụng cấu trúc SNN-VAE để phân loại ghi chứa tín hiệu sinh học phi sinh học hợp lý Hiệu cải thiện độ xác phân loại tín hiệu đến từ bước chuẩn hóa ma trận hiệp phương sai trung bình phân phối, hạn chế phân phối mã hóa trở nên xa hơn, tạo xu hướng cho nhiều tốt phân phối trở nên chồng chéo hơn, để mơ hình đạt 23 tính liên tục đầy đủ Tồn q trình tiền xử lý liệu thô, đào tạo kiểm thử luận án thực môi trường hệ điều hành Ubuntu 18.04 với nhân CUDA 10.1 Cudnn 7.6.5 máy tính trạm Dell T3600 Xeon nhân card đồ hoạ NVIDA k2200 4GB KẾT LUẬN Các kết nghiên cứu Nội dung luận án "Nghiên cứu giải pháp nâng cao chất lượng phân loại tín hiệu thủy âm vùng biển nước nơng ứng dụng trí tuệ nhân tạo" giải tốn phân loại tín hiệu thủy âm sinh học phi sinh học hướng tới mục tiêu áp dụng hiệu trí tuệ nhân tạo vào ứng dụng xử lý tín hiệu số theo nguyên lý sonar Theo đó, hai nhóm giải pháp luận án đưa giải là: - Luận án đề xuất giải pháp kết hợp tiền xử lý trí tuệ nhân tạo dựa thuật tốn tiền xử lý đề xuất phương pháp biến thiên biên độ phổ tần số, tập trung vào phát trích xuất đặc trưng mặt tần số tín hiệu tàu chân vịt Sau đặt vấn đề, Luận án trình bày định nghĩa làm tảng phát triển thuật toán biến thiên biên độ phổ, nhằm tập trung vào khai thác đặc trưng bất biến, chất vật lý tín hiệu tuần hồn Thuật tốn tiền xử lý cho phép ứng dụng mềm dẻo linh hoạt, cho kết trích xuất tần số đặc trưng tín hiệu thực tế nhiễu lớn; Luận án triển khai thuật tốn mơ hình tùy biến mạng Nơ-ron tích chập cải tiến, để đưa kết phân loại đối tượng tàu chân vịt với mơ hình kết hợp khác công bố - Luận án đề xuất cách tiếp cận khác, dựa thuật toán nội suy cubic splines áp dụng cho phép biến đổi miền thời gian-tần số STFT, Mel, Wavelet trước xếp chồng ba ảnh phổ thành ảnh phổ Kết tiền xử lý dùng cho giải pháp đề xuất phân loại mạng tích chập Siamese triple loss kết hợp phân phối xác suất miền không gian ẩn Các kết áp dụng cho hai nhóm đối tượng nguồn âm sinh học phi sinh học có nhiễu lớn cho thấy tính linh hoạt mơ hình sử dụng, cho kết phân loại cao giải pháp có tập liệu Các kết nghiên cứu luận án củng cố thêm nhận dịnh xu hướng phát triển giới lĩnh vực thủy âm bao gồm: 24 - Các mơ hình mạng Nơ-ron cho kết tích cực phân loại mục tiêu nước, mơ hình xử lý tốt mơi trường có tỷ lệ tín tạp thấp - Kết mơ hình phân loại kết hợp trí tuệ nhân tạo tiền xử lý cho phép hệ thống xử lý lượng lớn liệu phức tạp sở thời gian thực, có khả ứng dụng thực tế - Các liệu thủy âm cịn hạn chế nhiều lý do, đó, phương pháp cải tiến tiền xử lý biện pháp tăng liệu tiếp túc hai vấn đề tiếp tục nghiên cứu tương lai Các nội dung nghiên cứu kết luận án công bố 08 báo đăng tải tạp chí khoa học, kỷ yếu hội thảo khoa học có uy tín nước quốc tế Kết đánh giá công bố theo hướng luận án đề xuất không trùng lặp với công trình luận án cơng bố ngồi nước Những đóng góp luận án Luận án có 02 đóng góp sau: - Đề xuất thuật tốn biến thiên biên độ phổ kết hợp mơ hình mạng nơ-ron tích chập tùy biến nhằm nâng cao độ xác phân loại tín hiệu thủy âm tàu chân vịt - Đề xuất thuật toán nội suy khối cho mơ hình mạng nơ-ron SNNVAE nhằm nâng cao độ xác phân loại tín hiệu giao tiếp thủy âm sinh vật biển tàu chân vịt Hướng nghiên cứu luận án Về học thuật: Tiếp tục triển khai mơ hình tốn học nội suy hàm đa thức bậc cao, nghiên cứu cách giảm thiểu độ phức tạp tính tốn, giải pháp sinh liệu từ liệu thực, tiếp tục nghiên cứu cách tiếp cận thuật toán CMS để đề xuất thuật toán Về thực tiễn: Xây dựng phần mềm hoàn chỉnh phục vụ cho việc tác quản lý, thu thập phân loại tín hiệu thủy âm thiết bị nhúng hệ thống di động phục vụ an ninh quốc phòng dân sinh DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ [CT1] Bạch Nhật Hoàng, Nguyễn Văn Đức, Vũ Lê Hà, Vũ Hải Lăng ''Phân tích ứng dụng thuật tốn dạng DEMON dùng phân loại tín hiệu tàu'', Tạp chí Nghiên cứu Khoa học Cơng nghệ quân sự, số Đặc san 9-2020, trang 8895, 2020 [CT2] Nhat Hoang, Bach and Van Duc, Nguyen and Le Ha, Vu, ''Enhancing the Capacity of Detecting and Classifying Cavitation Noise Generated from Propeller Using the Convolution Neural Network'', International Conference on Industrial Networks and Intelligent Systems, pp 268-275, Springer, 2021 DOI: https://doi.org/10.1007/978-3-030-77424-0_22 [CT3] Nhat Hoang, Bach and Van Duc, Nguyen and Le Ha, Vu, ''Classification of Surface Vehicle Propeller Cavitation Noise Using Spectrogram Processing in Combination with Convolution Neural Network'', Sensors, volume: 21, number: 10, 2021 DOI: https://doi.org/10.3390/s21103353 [CT4] Nhat Hoang, Bach and Van Duc, Nguyen and Le Ha, Vu and Hai Lang, Vu and Quang Giang, Tran and Xuan Trung,Trinh ''Optimizing Baseline in USBL Using Costas Hopping to Increase Navigation Precision in Shallow Water'', IEEE International Conference on Ubiquitous Information Management and Communication, Korea, 2022 DOI: 10.1109/IMCOM53663.2022.9721736 [CT5] Nhat Hoang, Bach and Van Duc, Nguyen and Le Ha, Vu ''Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder'', IEEE International Conference on Electrical, Computer and Energy Technologies, Czech, 2022 DOI: 10.1109/ICECET55527.2022.9873436 [CT6] Nhat Hoang, Bach and Van Duc, Nguyen and Le Ha, Vu ''Using cubic splines interpolation to enhance classification of marine mammals signal'', IEEE International Conference on Electrical, Computer and Energy Technologies, Czech, 2022 DOI: 10.1109/ICECET55527.2022.9872793 [CT7] Bạch Nhật Hoàng, Vũ Lê Hà, Nguyễn Trung Kiên ''Nâng cao khả phân loại tín hiệu thủy âm sử dụng nội suy khối nối trục phân phối xác suất không gian ẩn'', Tạp chí Nghiên cứu Khoa học Cơng nghệ Qn sự, số tháng 6, trang 39-48, 2022 DOI: https://doi.org/10.54939/18591043.j.mst.80.2022.39-48 [CT8] Nhat Hoang Bach, Van Duc Nguyen, Le Ha Vu, Duy Phong Pham, "Enhancement of fundamental frequency extraction capabilities for detecting diver carrying SCUBA open-circuit in shallow water", \emph{IEEE International Conference on Ubiquitous Information Management and Communication}, Korea, 2023