Sonar
Content
Classificação com Sonar Passivo
Utilizando Análise LOFAR, NMF e Redes Neurais
Hugo Kling, Raphael Sathler Inteligência Computacional - Prof. José Manoel de Seixas Universidade Federal do Rio de Janeiro
por todo o auxílio fornecido, dentro e fora do LPS, e até em tempos de viagem.
Agradecimentos Especiais
Introdução
● Os navios utilizam ondas eletromagnéticas para detectar outros navios. Entretanto para detectar submarinos, temos um problema pois as ondas eletromagnéticas sofrem uma grande atenuação quando submersas no mar. Ao invés destas então, usamos as ondas acústicas que se propagam por uma grande distância com pouca perda de energia. ● O sistema que usa a propagação do som em baixo d’água é chamado SONAR (SOund NAvigation Ranging).
Introdução
● Existem 2 tipos de sonares: o passivo e o ativo. ○ Ambos são compostos de hidrofones que recebem a onda proveniente do alvo. ○ No caso do Sonar Ativo, a onda é detectada através da reflexão de uma onda emitida pelo próprio. ○ Já no caso do Sonar Passivo, este se baseia na detecção e estimação do som propagado pelo próprio alvo, sem nenhuma transmissão de sinal.
Sonares Ativo x Passivo
Pelo Sonar Ativo, sabemos que onda estamos enviando, entretanto, temos a desvantagem de podermos ser encontrados. Pelo Sonar Passivo, devemos identificar o alvo pelo ruído do mesmo. O problema é que têm-se vários ruídos diferentes, e com frequências muito próximas, tornando-se complexa a distinção destes. Através do Sonar Passivo, pode-se descobrir características do navio inimigo, a velocidade, posição e afins.
Sonar Passivo
Espectro m190.mat
Objetivos
O objetivo deste trabalho é melhorar a detecção e a classificação de um contato em uma determinada marcação, que são realizadas através das análises LOFAR, usando como pré-processamento dos sinais algoritmos de separação cega de fontes, que no nosso caso será a NMF (Fatoração de Matrizes Não-Negativas).
Algoritmos Empregados
● ● ● ● LOFAR (Low Frequency Analysis and Recording) PCA (Principal Components Analysis) NMF (Non-Negative Matrix Fatoration) NN (Neural Network)
LOFAR
A análise LOFAR é uma análise espectral de banda que caracteriza a faixa de frequência do ruído das máquinas do contato.
LOFAR
Fornecida uma direção de interesse, o sinal primeiramente é filtrado e multiplicado por uma janela de Hanning. Posteriormente, uma transformada de Fourier (STFFT) e realizada para que seja obtida uma representação do sinal no domínio da frequência (módulo do espectro). Então o sinal é normalizado usando o algoritmo TPSW (Two Pass Split Window) com o objetivo de realizar a estimativa do ruído de fundo. Com isto, os picos de frequência de menor amplitude ficam mais evidentes e ocorre uma remoção de tendência do sinal, de forma que as amplitudes em todo o espectro sejam normalizadas.
LOFAR
Resultado da Análise LOFAR no banco m190.
PCA
Principal Components Analysis - Analises das Componentes Principais é um procedimento matemático de compactação. A PCA utiliza a noção de autovalores e autovetores para converter um conjunto de observações em um conjunto de valores de variáveis linearmente descorrelacionadas chamadas componentes principais.
PCA
A PCA é feita por decomposição em autovalores de uma matriz de correlação. Ex.: Assim, devido à
50 Componentes 30 Componentes 20 Componentes
0%
90%
100%
baixa “energia” dos 20 componentes entre 90 e 100% da “energia”, podemos descartá-los.
NMF
Non-negative Matrix Factorization, ou Fatoração de Matrizes não Negativas, tem como objetivo decompor uma matriz de dados X Є matrizes A Є eSЄ , onde X ≅ AS em um produto de
Uma maneira de estimar as matrizes A e S para realização da fatoração da matriz X é considerar uma medida da similaridade para quantificar a diferença entre a matriz de dados, X e o modelo aproximado Ẍ = AS. No nosso caso, utilizamos a Distância Euclidiana: (norma de Frobenius)
NMF
Essa função nos conduz ao ALS - Alternating Least Square (mínimos quadrados alternativos), que é uma abordagem muito utilizada como NMF. Apesar de não ser garantido a convergência para um mínimo global, o algoritmo vai ao menos para uma solução onde a função custo atinge um mínimo local.
Método de Comparação
Resultado 1
Resultado 2
Como Avaliar?
Iremos usar 4 indicadores para avaliarmos um classificador neural: ● Cálculo do SP ● Histograma de Saídas ● Curva ROC ● Matriz de Confusão
Histograma de Saída
Características de um Classificador
Curva ROC
Curva ROC
Curva ROC
Cálculo do SP
Matriz de Confusão
C1 (Alvo) C2 (Alvo)
C1 (Estimado)
Valor %
Valor %
C2 (Estimado)
Valor %
Valor %
Resultados sem NMF
Vamos à parte prática!
Espectro de Energia/Freq. sem NMF
Análise PCA sem NMF
○
Treino e Teste da Rede sem NMF
○
Histograma de Saída sem NMF
●
Análise ROC sem NMF
○
Distinção de Classes sem NMF
○
Matriz de Confusão
Resultados com NMF
Vamos à parte prática!
Espectro de Energia/Freq. com NMF
Análise PCA com NMF
○
Treino e Teste da Rede com NFM
○
Histograma com NMF
●
Análise ROC com NMF
○
Distinção de Classes com NMF
○
Matriz de Confusão
Comparações - Ganho
Comparação
SP Eficiência Classe 1 Eficiência Classe 2 Falso Alarme MSE Treino MSE Teste
SEM NMF
86.85% 84.47% 88.41% 14.06% 0.22187 0.41709
COM NMF
99.18% 98.18% 99.94% 1.06% 0.04415 0.12796
Conclusão
Pode-se perceber o aumento na capacidade de distinção entre as classes na simulação com NMF, como esperado.
Referências
[1] DETECÇÃO E CLASSIFICAÇÃO DE SINAIS DE SONAR PASSIVO USANDO MÉTODOS DE SEPARAÇÃO CEGA DE FONTES. MOURA; Natanael Nunes de., 2013. [2] CLASSIFICADORES; MOURA JUNIOR; Natanael Nunes de., 2013.
Utilizando Análise LOFAR, NMF e Redes Neurais
Hugo Kling, Raphael Sathler Inteligência Computacional - Prof. José Manoel de Seixas Universidade Federal do Rio de Janeiro
por todo o auxílio fornecido, dentro e fora do LPS, e até em tempos de viagem.
Agradecimentos Especiais
Introdução
● Os navios utilizam ondas eletromagnéticas para detectar outros navios. Entretanto para detectar submarinos, temos um problema pois as ondas eletromagnéticas sofrem uma grande atenuação quando submersas no mar. Ao invés destas então, usamos as ondas acústicas que se propagam por uma grande distância com pouca perda de energia. ● O sistema que usa a propagação do som em baixo d’água é chamado SONAR (SOund NAvigation Ranging).
Introdução
● Existem 2 tipos de sonares: o passivo e o ativo. ○ Ambos são compostos de hidrofones que recebem a onda proveniente do alvo. ○ No caso do Sonar Ativo, a onda é detectada através da reflexão de uma onda emitida pelo próprio. ○ Já no caso do Sonar Passivo, este se baseia na detecção e estimação do som propagado pelo próprio alvo, sem nenhuma transmissão de sinal.
Sonares Ativo x Passivo
Pelo Sonar Ativo, sabemos que onda estamos enviando, entretanto, temos a desvantagem de podermos ser encontrados. Pelo Sonar Passivo, devemos identificar o alvo pelo ruído do mesmo. O problema é que têm-se vários ruídos diferentes, e com frequências muito próximas, tornando-se complexa a distinção destes. Através do Sonar Passivo, pode-se descobrir características do navio inimigo, a velocidade, posição e afins.
Sonar Passivo
Espectro m190.mat
Objetivos
O objetivo deste trabalho é melhorar a detecção e a classificação de um contato em uma determinada marcação, que são realizadas através das análises LOFAR, usando como pré-processamento dos sinais algoritmos de separação cega de fontes, que no nosso caso será a NMF (Fatoração de Matrizes Não-Negativas).
Algoritmos Empregados
● ● ● ● LOFAR (Low Frequency Analysis and Recording) PCA (Principal Components Analysis) NMF (Non-Negative Matrix Fatoration) NN (Neural Network)
LOFAR
A análise LOFAR é uma análise espectral de banda que caracteriza a faixa de frequência do ruído das máquinas do contato.
LOFAR
Fornecida uma direção de interesse, o sinal primeiramente é filtrado e multiplicado por uma janela de Hanning. Posteriormente, uma transformada de Fourier (STFFT) e realizada para que seja obtida uma representação do sinal no domínio da frequência (módulo do espectro). Então o sinal é normalizado usando o algoritmo TPSW (Two Pass Split Window) com o objetivo de realizar a estimativa do ruído de fundo. Com isto, os picos de frequência de menor amplitude ficam mais evidentes e ocorre uma remoção de tendência do sinal, de forma que as amplitudes em todo o espectro sejam normalizadas.
LOFAR
Resultado da Análise LOFAR no banco m190.
PCA
Principal Components Analysis - Analises das Componentes Principais é um procedimento matemático de compactação. A PCA utiliza a noção de autovalores e autovetores para converter um conjunto de observações em um conjunto de valores de variáveis linearmente descorrelacionadas chamadas componentes principais.
PCA
A PCA é feita por decomposição em autovalores de uma matriz de correlação. Ex.: Assim, devido à
50 Componentes 30 Componentes 20 Componentes
0%
90%
100%
baixa “energia” dos 20 componentes entre 90 e 100% da “energia”, podemos descartá-los.
NMF
Non-negative Matrix Factorization, ou Fatoração de Matrizes não Negativas, tem como objetivo decompor uma matriz de dados X Є matrizes A Є eSЄ , onde X ≅ AS em um produto de
Uma maneira de estimar as matrizes A e S para realização da fatoração da matriz X é considerar uma medida da similaridade para quantificar a diferença entre a matriz de dados, X e o modelo aproximado Ẍ = AS. No nosso caso, utilizamos a Distância Euclidiana: (norma de Frobenius)
NMF
Essa função nos conduz ao ALS - Alternating Least Square (mínimos quadrados alternativos), que é uma abordagem muito utilizada como NMF. Apesar de não ser garantido a convergência para um mínimo global, o algoritmo vai ao menos para uma solução onde a função custo atinge um mínimo local.
Método de Comparação
Resultado 1
Resultado 2
Como Avaliar?
Iremos usar 4 indicadores para avaliarmos um classificador neural: ● Cálculo do SP ● Histograma de Saídas ● Curva ROC ● Matriz de Confusão
Histograma de Saída
Características de um Classificador
Curva ROC
Curva ROC
Curva ROC
Cálculo do SP
Matriz de Confusão
C1 (Alvo) C2 (Alvo)
C1 (Estimado)
Valor %
Valor %
C2 (Estimado)
Valor %
Valor %
Resultados sem NMF
Vamos à parte prática!
Espectro de Energia/Freq. sem NMF
Análise PCA sem NMF
○
Treino e Teste da Rede sem NMF
○
Histograma de Saída sem NMF
●
Análise ROC sem NMF
○
Distinção de Classes sem NMF
○
Matriz de Confusão
Resultados com NMF
Vamos à parte prática!
Espectro de Energia/Freq. com NMF
Análise PCA com NMF
○
Treino e Teste da Rede com NFM
○
Histograma com NMF
●
Análise ROC com NMF
○
Distinção de Classes com NMF
○
Matriz de Confusão
Comparações - Ganho
Comparação
SP Eficiência Classe 1 Eficiência Classe 2 Falso Alarme MSE Treino MSE Teste
SEM NMF
86.85% 84.47% 88.41% 14.06% 0.22187 0.41709
COM NMF
99.18% 98.18% 99.94% 1.06% 0.04415 0.12796
Conclusão
Pode-se perceber o aumento na capacidade de distinção entre as classes na simulação com NMF, como esperado.
Referências
[1] DETECÇÃO E CLASSIFICAÇÃO DE SINAIS DE SONAR PASSIVO USANDO MÉTODOS DE SEPARAÇÃO CEGA DE FONTES. MOURA; Natanael Nunes de., 2013. [2] CLASSIFICADORES; MOURA JUNIOR; Natanael Nunes de., 2013.
