Classificação neural hierárquica de sinais de sonar passivo com exploração da fusão das informações temporal e espectral

• Autor(a) principal: Souza, Marlon Jovenil de
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da Produção Científica da Marinha do Brasil (RI-MB)
• Texto Completo: https://www.repositorio.mar.mil.br/handle/ripcmb/845644
• topic: Sistema sonar; Máquinas de comitê; Engenharia elétrica

O ruído acústico irradiado por navios propagando-se nos mares é detectado e classificado por submarinos militares através de técnicas que utilizam o sistema sonar passivo. Este sistema também é utilizado para monitoramento da costa brasileira e em aplicações no meio civil. A diversidade de navios existentes e a interferência do ruído ambiente tornam complexa a tarefa de identificação dos contatos, logo o desenvolvimento de sistemas que realizam identificação e classificação automática usando algoritmos de processamento de sinais e de inteligência computacional vêm ganhando espaço na área de pesquisas militares e no meio acadêmico. Muitos trabalhos na literatura propõe classificadores treinados com informações espectrais e poucos alvos envolvidos, o que está longe da realidade na qual deparamos com muitas classes e sinais no domínio do tempo. Essa quantidade de classes prejudica a eficiência do classificador. Sendo assim, este trabalho propõe a classificação hierárquica de sinais de sonar passivo, explorando a fusão das informações temporais e espectrais, por meio de duas análises (LOFAR e Temporal) e o uso de redes neurais profundas (mais especificamente as convolucionais e recorrentes) com o objetivo de melhorar a classificação de um sistema de sonar passivo. Nesta análise foram utilizados dois bancos de dados experimentais: o primeiro adquirido por submarinos em operação e o segundo de um sonar passivo monitorando o tráfego marítimo de uma região portuária do Rio de Janeiro. Os resultados mostram que o método proposto e as redes recorrentes apresentam bons resultados, 88, 76%±2, 81% e 85, 55%±3, 28% respectivamente, em comparação com as redes neurais tradicionais.