دسته بندي صداي شليك گلوله با استفاده از شبكه عصبي عميق

كارشناسي ارشد

دسته¬بندي صداي شليك گلوله در چند دهه اخير از جانب محققين و مهندسين مورد توجه بسياري قرار گرفته است كه كاربردهاي عملي در زمينه¬هاي امنيتي، نظامي، جنايي، كنترل اسلحه و ... دارد. در اين زمينه نيز همانند زمينه¬هاي مشابهي مثل دسته¬بندي صداهاي مختلف محيط با چالش¬هايي از جمله بازتاب، تضعيف، نويز و ... مواجه هستيم. علاوه بر اين چالش¬ها، در زمينه دسته¬بندي صداي شليك گلوله، وابستگي زيادي بين عملكرد سيستم و اطلاعات مكاني همچون فاصله شليك كننده از سنسور و جهت سلاح شليك كننده نسبت به سنسور، قابل مشاهده است. در اين پژوهش، براي بهبود عملكرد در شرايط نامساعد محيطي ابتدا پيش¬پردازشي ابتكاري روي سيگنال-هاي خام صداي شليك گلوله انجام مي¬شود كه از تاثير نويز بر روي اطلاعات لازم براي دسته¬بندي تا حد زيادي مي¬كاهد. در اين پيش¬پردازش قسمت¬هاي موثر و برجسته سيگنال صدا تعيين مي¬شوند. ميزان برجسته بودن سيگنال در اين كاربرد با ميزان انرژي سيگنال در فركانس¬هاي بالا مشخص مي¬گردد. از آنجا كه سيگنال صداي شليك گلوله سيگنالي ضربه¬اي است نسبت به صداهاي عادي پس¬زمينه داراي انرژي بيشتري در فركانس¬هاي بالاست. پس از تعيين نواحي موثر و برجسته سيگنال¬ها، با استفاده از سه روش استخراج ويژگي مختلف ويژگي¬هاي مناسبي از آن¬ها در قالب تصاويري خاكستري استخراج مي¬كنيم، با تركيب اين ويژگي¬ها تصاوير رنگي حاصل مي¬شوند كه حاوي اطلاعات متنوعي از سيگنال خام هستند و قدرت تفكيك مناسبي را بين كلاس¬ها در شرايط نامساعد نويز محيطي فراهم مي¬كنند. در نهايت با عرضه اين تصاوير به شبكه¬هاي عصبي كانولوشني دسته (نوع اسلحه) صداي شليك گلوله مشخص مي¬شود. از تكنيك خاص انتقال يادگيري در آموزش شبكه عصبي كانولوشني استفاده شده است تا از تجربه تشخيص الگو شبكه كه در حوزه¬هاي ديگر كسب كرده است براي هدف اين پژوهش استفاده كنيم. با در نظر گرفتن طول ثابت يك ثانيه¬اي براي صداي شليك گلوله¬هاي مختلف، روش پيشنهادي با ارائه ويژگي تركيبي موجب افزايش 19.74 درصدي ميانگين دقت دسته¬بندي در شرايط مختلف نويز محيطي شده است به گونه¬اي كه در مقايسه با ميانگين دقت روش مرجع (مرجع اول) در شرايط نويز مختلف (حالت بدون نويز تا صفر دي¬بي) كه 46.25 درصد است به ميانگين دقت 65.99 رسيده است. گرچه در شرايط بدون نويز روش پيشنهادي با دقت 92.68 درصد تنها 2.39 درصد نسبت به روش مرجع بهبود داشته است ولي در اين پژوهش غير از دقت دسته¬بندي روش¬ها مقاومت آن¬ها را در مقابل نويز نيز معيار قرار داده¬ايم چون در شرايطي واقعي اغلب با چالش سيگنال ورودي نويزي مواجه هستيم. از اين¬رو ميانگين و واريانس دقت دسته¬بندي روش¬ها را نيز در شرايط نويزي مختلف در نظر گرفته¬ايم. با استفاده از روش پيشنهادي براي تعيين قسمت¬هاي موثر و برجسته سيگنال، تاثير مخرب نويز بر دقت دسته¬بندي را بيشتر كاهش داده¬ايم. با انتخاب بخش مفيد سيگنال¬ها و استخراج ويژگي تركيبي از آن¬ها در شرايط نويزي مختلف، ميانگين دقت دسته¬بندي به 74.74 درصد رسيده است كه نسبت به حالت عدم استفاده از تعيين كننده بخش موثر سيگنال دقت به اندازه 8.75 درصد و نسبت به روش پيشنهادي مرجع 28.49 درصد افزايش يافته است. جهت مستقل شدن نتايج دسته¬بندي از اطلاعات مكاني شليك كننده، نمونه¬هاي ديتاست را كه در فاصله و جهت¬هاي مختلف نسبت به سنسور ثبت شده¬اند به صورت يكنواخت بين مجموعه داده¬هاي آموزشي و آزمايشي تقسيم مي¬كنيم. در مرجع دوم، براي دسته¬بندي صداهاي شليك گلوله از چندين سنسور استفاده شده است و اطلاعات مكاني شليك كننده را در كنار سيگنال ورودي سنسورها در اختيار دارند ولي نشان داده¬ايم با روش پيشنهادي كه تقسيم ديتاست در آن به شيوه مناسبي صورت گرفته است، مي-توان بدون استفاده از اطلاعات تكميلي فاصله و جهت شليك كننده به دقت مناسب 92.68 درصد دست يافت.

209566

دانشگاه علم و صنعت ايران

مهندسي برق- مخابرات ـ سيستم

سيد علي اصغر بهشتي شيرازي