Localização de fontes submarinas por processamento de campo casado, focalização e aprendizagem de máquina

• Autor(a) principal: Diniz, Pedro Mendes
• Data de Publicação: 2023
• 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/846116
• topic: problema inverso; localização de fontes; processamento de campo casado; aprendizagem de máquina; acústica submarina; Acústica submarina

A localização de fontes é um clássico problema inverso de grande interesse para a acústica submarina. O processamento de campo casado (MFP) combina o pro- cessamento de um sinal recebido com réplicas do campo acústico calculadas por um modelo de propagação para inverter a distância e a profundidade da fonte, explo- rando a complexidade do campo acústico completo em um guia de ondas. Embora uma técnica versátil com diversas aplicações na inversão acústica, o MFP é limitado pelo modelo ambiental usado para descrever o guia de ondas. Se o modelo não é uma representação precisa, ocorre um problema denominado desajuste de modelo que possui implicações quanto à robustez da técnica. Esta dissertação explora o uso de dois métodos desenvolvidos como alternativas mais robustas ao MFP clássico. O primeiro, focalização, é uma extensão adaptativa do MFP que trata a inversão como um problema de otimização global ao incluir outros parâmetros do modelo no espaço de busca. Uma heurística de busca, neste trabalho baseada em algoritmos genéticos, é usada para encontrar o máximo global de uma função objetivo. A heu- rística é usada para localizar em profundidade e distância a fonte de um conjunto de dados experimentais em um ambiente incerto com baixo conhecimento a priori de seus parâmetros. Os resultados apresentam significativa melhora quando compa- rados ao MFP clássico, levando a taxa de acerto de 31% a 73%. Outra abordagem é desenvolvida à luz da aprendizagem de máquina, mantendo um enfoque no uso de campos modelados para o treinamento de redes neurais. É demonstrado que uma rede neural é capaz de aproximar o processador usado no MFP e que, quando as incertezas do ambiente são consideradas no treinamento da rede neural, ela se torna mais robusta e produz resultados mais consistentes que o MFP na estimação da distância da fonte, obtendo erro de somente 2,69% para o conjunto de dados usado.