Sualtı akustik sinyaller kullanılarak otomatik hedef sınıflandırma

Abstract

SONAR ile elde edilen sualtı akustik sinyallerin sınıflandırması SONAR operatörleri tarafından yapılmaktadır. Operatörü sualtı akustik sinyallerin sınıflandırılmasında desteklemek için otomatik sınıflandırma algoritmaları kullanılmaktadır. Bu çalışmada sualtı akustik sinyaller kullanılarak otomatik hedef sınıflandırma gerçekleştirilmiştir. Sualtı ve suüstü gemilerinin uzak mesafelerden tespit edilmesinde ve gürültülerinin analiz edilerek hedef tanıma için kullanılan Alçak Frekans Analiz ve Kaydı (LOFAR, ing. Low Frequency Analysis and Recording) algoritması kullanılarak hedefler sınıflandırılmıştır. Pasif SONAR uygulamalarının önemli aşamalarından biri olan LOFAR algoritması iki farklı şekilde iyileştirilmiş ve yapılan bu değişikliklerin hedef sınıflandırma performanslarına olan katkıları incelenmiştir. Bu tez çalışması ile önerilen yöntem, mevcut yöntemlere göre, tek frekans aralığı yerine 6 farklı frekans aralığını ayrı ayrı hedef sınıflandırma için kullanırken, 7 farklı frekans aralığında ise SONAR operatörüne LOFAR görüntüsü sunarak yenilikçi bir yaklaşım sergilemektedir. Ayrıca, LOFAR verileri t-SNE algoritması ile görselleştirilmiş ve gemileri boyutlarına göre gruplandırmak yerine gürültü karakteristiklerinin benzerliğine göre gruplandırmanın daha yoğun öbeklerin oluşumuna yol açtığı gözlenmiştir. Önerilen bu yaklaşımlarla hedef sınıflandırma performansının arttığı gösterilmiştir.The classification of underwater acoustic signals obtained by SONAR is carried out by SONAR operators. Automatic classification algorithms are used to support the operator in the classification of underwater acoustic signals. In this study, automatic target classification was performed using underwater acoustic signals. The targets were classified using the Low Frequency Analysis and Recording algorithm, which is used for detecting underwater and surface ships from long distances and for target recognition by analyzing their noise. The LOFAR algorithm, which is one of the important stages of passive SONAR applications, is developed and the target classification performances of the two methods are examined. In this study, while the proposed method uses 6 different frequency ranges separately for target classification, instead of a single frequency range, comparing to existing methods, it presents an innovative approach by presenting a LOFAR image to the SONAR operator in 7 different frequency ranges. Additionally, LOFAR data is visualized by the t-SNE algorithm and it is observed that grouping the ships based on noise characteristics forms more compact clusters compared to groupings based on the sizes of the ships. We show that the proposed approaches improve the performance of target classification.