Luận án 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

Tên luận án:

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

Ngành:

Kỹ thuật điện tử

Tóm tắt nội dung tài liệu:

Luận án tập trung giải quyết bài toán phức tạp về phân loại tín hiệu thủy âm sinh học và phi sinh học tại vùng biển nước nông, một môi trường có độ bất định cao và nhiều nguồn nhiễu. Nhận thấy những hạn chế của phương pháp truyền thống dựa trên kinh nghiệm và sự thiếu hụt các nghiên cứu ứng dụng trí tuệ nhân tạo (AI) trong phân loại tín hiệu sonar thụ động tại Việt Nam, luận án đề xuất các giải pháp kỹ thuật nhằm nâng cao chất lượng phân loại.

Mục tiêu chính bao gồm đề xuất thuật toán tiền xử lý hiệu quả để trích chọn đặc trưng dữ liệu, xây dựng cấu trúc mô hình mạng trí tuệ nhân tạo cải tiến, và đánh giá, so sánh hiệu quả của các giải pháp. Phạm vi nghiên cứu tập trung vào tín hiệu giao tiếp sinh vật biển và tín hiệu của các lớp tàu chân vịt.

Luận án đã phát triển hai nhóm giải pháp chính. Thứ nhất, đối với tín hiệu tàu chân vịt, đề xuất một phương pháp tiền xử lý mới dựa trên biến thiên biên độ phổ, tập trung vào việc phát hiện và trích xuất các đặc trưng tần số bất biến của tín hiệu tuần hoàn. Phương pháp này sau đó được kết hợp với một mô hình mạng nơ-ron tích chập tùy biến để phân loại, cho thấy khả năng xử lý linh hoạt và hiệu quả trong môi trường nhiễu lớn.

Thứ hai, đối với tín hiệu giao tiếp sinh vật biển và cả tín hiệu tàu chân vịt, luận án đề xuất một cách tiếp cận tiền xử lý dựa trên thuật toán nội suy cubic splines, áp dụng cho ba phép biến đổi miền thời gian-tần số (STFT, Mel, Wavelet) trước khi xếp chồng thành ảnh phổ đa kênh. Kết quả tiền xử lý này sau đó được phân loại bằng một mạng tích chập Siamese triple loss kết hợp phân phối xác suất trong miền không gian ẩn (SNN-VAE). Giải pháp này đã chứng minh tính linh hoạt và đạt độ chính xác phân loại cao hơn đáng kể so với các phương pháp hiện có trên các tập dữ liệu nhiễu lớn.

Các kết quả nghiên cứu của luận án đã được công bố trên 08 bài báo khoa học, góp phần bổ sung cơ sở khoa học, thúc đẩy ứng dụng AI trong hệ thống sonar, và làm chủ kỹ thuật xử lý tín hiệu thủy âm. Hướng nghiên cứu tiếp theo sẽ tập trung vào phát triển mô hình toán học, giảm thiểu độ phức tạp tính toán và xây dựng phần mềm ứng dụng thực tiễn.

Mục lục chi tiết:

• MỞ ĐẦU

  • 1. Tính cấp thiết của đề tài luận án
  • 2. Mục tiêu nghiên cứu của luận án
  • 3. Đối tượng và phạm vi nghiên cứu
  • 4. Phương pháp nghiên cứu
  • 5. Nội dung nghiên cứu
  • 6. Ý nghĩa khoa học và thực tiễn của đề tài luận án
  • 7. Bố cục của luận án

• Chương 1: TỔNG QUAN VỀ PHÂN LOẠI TÍN HIỆU THỦY ÂM SINH HỌC VÀ PHI SINH HỌC VÙNG BIỂN NƯỚC NÔNG

  • 1.1. Tín hiệu thủy âm sinh học-phi sinh học và hệ thống phân loại tín hiệu thủy âm vùng biển nước nông
    • 1.1.1. Đại dương và các đặc trưng truyền âm vùng biển nước nông
    • 1.1.2. Các nguồn âm sinh học, phi sinh học
    • 1.1.3. Hệ thống phát hiện tín hiệu thủy âm theo nguyên lý sonar
  • 1.2. Các phương pháp phân loại tín hiệu thủy âm cổ điển
    • 1.2.1. Biến đổi miền thời gian-tần số
    • 1.2.2. Thuật toán LOFAR
    • 1.2.3. Thuật toán CMS
    • 1.2.4. Thuật toán DEMON
  • 1.3. Các phương pháp phân loại tín hiệu thủy âm hiện đại
    • 1.3.1. Mô hình máy Boltzman rời rạc
    • 1.3.2. Mô hình tự mã
    • 1.3.3. Mô hình mạng học sâu tích chập
  • 1.4. Tình hình nghiên cứu trong-ngoài nước về phân loại tín hiệu thủy âm và một số vấn đề còn tồn tại
    • 1.4.1. Chỉ sử dụng thuật toán trí tuệ nhân tạo
    • 1.4.2. Tiền xử lý trước khi sử dụng thuật toán trí tuệ nhân tạo
    • 1.4.3. Học chuyển giao
    • 1.4.4. Một số vấn đề còn tồn tại
  • 1.5. Định hướng nghiên cứu của luận án và cơ sở dữ liệu
    • 1.5.1. Định hướng nghiên cứu
    • 1.5.2. Cơ sở dữ liệu tín hiệu thủy âm sử dụng trong luận án
      • 1.5.2.1. Bộ dữ liệu Deepship
      • 1.5.2.2. Bộ dữ liệu ShipEars
      • 1.5.2.3. Bộ dữ liệu NOAA

• Chương 2: PHÂN LOẠI TÍN HIỆU TÀU CHÂN VỊT BẰNG GIẢI PHÁP BIẾN THIẾN BIÊN ĐỘ PHỔ KẾT HỢP MẠNG TÍCH CHẬP TÙY BIẾN

  • 2.1. Quá trình hình thành tín hiệu tàu chân vịt khi di chuyển
    • 2.1.1. Các tín hiệu sinh ra từ chân vịt khi di chuyển
    • 2.1.2. Hiện tượng xâm thực
  • 2.2. Đề xuất giải pháp tiền xử lý Biến thiên biên độ phổ
    • 2.2.1. Hạn chế của thuật toán DEMON
    • 2.2.2. Phân tích toán học giải pháp đề xuất
    • 2.2.3. Xây dựng cấu trúc và thuật toán đề xuất
    • 2.2.4. Đánh giá hiệu quả thuật toán trên bộ dữ liệu tàu thực tế
    • 2.2.5. Đánh giá hiệu quả thuật toán trên tín hiệu thở người nhái
  • 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
    • 2.3.3. Đánh giá độ phức tạp mạng tích chập đề xuất
  • 2.4. Kết quả kết hợp hai giải pháp đề xuất dùng cho phân loại tín hiệu tàu chân vịt
    • 2.4.1. Đánh giá phân loại bằng thuật toán DEMON-Hilbert với mạng tích chập LeNet và VGG dùng làm kết quả đối chứng
    • 2.4.2. Kết quả phân loại bằng thuật toán đề xuất biến thiên biên độ phổ với mạng tích chập LeNet và VGG
    • 2.4.3. Kết quả phân loại bằng thuật toán DEMON-Hilbert và biến thiên biên độ phổ với mạng tích chập tùy biến đề xuất
    • 2.4.4. Đánh giá hiệu quả cấu hình mạng tích chập tùy biến

• Chương 3: 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 KHÔNG GIAN ẨN

  • 3.1. Cấu trúc tín hiệu giao tiếp sinh vật biển
  • 3.2. Đề xuất giải pháp tiền xử lý bằng nội suy khối nối trục
    • 3.2.1. Cơ sở lý luận sử dụng nội suy khối nối trục
    • 3.2.2. Các phép nội suy trên miền tần số và giải pháp đề xuất
    • 3.2.3. Xây dựng cấu trúc và thuật toán đề xuất
    • 3.2.4. Kết quả thuật toán đề xuất trên bộ dữ liệu thực tế
  • 3.3. Đề xuất giải pháp sử dụng phân phối xác suất trong miền không gian ẩn cho mạng Siamese triple loss
    • 3.3.1. Cấu trúc mạng Siamese triple loss
    • 3.3.2. Mô hình mạng Rep-VGG
    • 3.3.3. Giải pháp phân phối xác suất trong miền không gian ẩn
    • 3.3.4. Đề xuất mô hình SNN-VAE
  • 3.4. Kết quả kết hợp hai giải pháp đề xuất dùng cho phân loại tín hiệu sinh vật biển và tàu chân vịt
    • 3.4.1. Kết quả phân loại SNN-VAE với dữ liệu tàu chân vịt
    • 3.4.2. Kết quả phân loại nội suy khối nối trục kết hợp SNN-VAE với dữ liệu giao tiếp sinh vật biển
      • 3.4.2.1. Trường hợp thứ nhất: Đánh giá hiệu quả từng phương pháp
      • 3.4.2.2. Trường hợp thứ hai: có nội suy xếp chồng
      • 3.4.2.3. Trường hợp thứ ba: thay thế Rep-VGG-A0 bằng SNN-VAE
    • 3.4.3. Kết quả phân loại nội suy khối nối trục kết hợp SNN-VAE với dữ liệu giao tiếp sinh vật biển và tàu chân vịt

• KẾT LUẬN

  • 1. Các kết quả nghiên cứu
  • 2. Những đóng góp mới của luận án
  • 3. Hướng nghiên cứu tiếp theo của luận án