Detectores de novidades e classificadores especializados em sistemas de sonar passivo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/12291 |
Resumo: | Em submarinos, cabe aos operadores de sonar a tarefa de identificar e classificar contatos de sonar passivo, de forma que possíveis ameaças sejam detectadas. A automatização deste processo é extremamente relevante, visto que facilita o trabalho do profissional desta área, ao exigir um menor esforço físico e mental durante a vigilância. A proposta deste estudo é investigar a eficiência de modelos especializados na constituição de tal sistema, visando a derivar um mecanismo que detecte de forma eficaz navios desconhecidos, bem como identifique corretamente os rótulos daqueles conhecidos. Três níveis de especialização foram considerados: não-especializado, especializado por classes, e especializado por navios, assumindo as seguintes técnicas para a construção do sistema: Análise de Componentes Principais (PCA), Análise de Componentes Principais por Kernel (KPCA), Máquinas de Vetor-Suporte de Uma Classe (OCSVM), Modelos de Mistura de Gaussianas (GMM), k-vizinhos mais próximos (kNN), k-vizinhos mais próximos esparso (s-kNN) e Local Outlier Factor (LOF). Experimentos conduzidos com dados reais adquiridos em uma raia acústica mostraram um melhor desempenho dos modelos especializados em navios, que atingiram uma taxa de detecção de novidades de 83,4%, conjugada com uma taxa média de reconhecimento de classes conhecidas de 90,5%. Em relação especificamente à tarefa de classificação das classes conhecidas, 98,7% são corretamente rotuladas. |
id |
UFRJ_1a933685731e07195663432fc7043896 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/12291 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Muniz, Victor Hugo da Silva.http://lattes.cnpq.br/5666349881259172Petraglia, Mariane RemboldTcheou, Michel PompeuSouza Filho, João Baptista de Oliveira e2020-05-22T01:47:13Z2023-11-30T03:03:58Z2019-08http://hdl.handle.net/11422/12291Em submarinos, cabe aos operadores de sonar a tarefa de identificar e classificar contatos de sonar passivo, de forma que possíveis ameaças sejam detectadas. A automatização deste processo é extremamente relevante, visto que facilita o trabalho do profissional desta área, ao exigir um menor esforço físico e mental durante a vigilância. A proposta deste estudo é investigar a eficiência de modelos especializados na constituição de tal sistema, visando a derivar um mecanismo que detecte de forma eficaz navios desconhecidos, bem como identifique corretamente os rótulos daqueles conhecidos. Três níveis de especialização foram considerados: não-especializado, especializado por classes, e especializado por navios, assumindo as seguintes técnicas para a construção do sistema: Análise de Componentes Principais (PCA), Análise de Componentes Principais por Kernel (KPCA), Máquinas de Vetor-Suporte de Uma Classe (OCSVM), Modelos de Mistura de Gaussianas (GMM), k-vizinhos mais próximos (kNN), k-vizinhos mais próximos esparso (s-kNN) e Local Outlier Factor (LOF). Experimentos conduzidos com dados reais adquiridos em uma raia acústica mostraram um melhor desempenho dos modelos especializados em navios, que atingiram uma taxa de detecção de novidades de 83,4%, conjugada com uma taxa média de reconhecimento de classes conhecidas de 90,5%. Em relação especificamente à tarefa de classificação das classes conhecidas, 98,7% são corretamente rotuladas.In submarines, sonar operators have the task of identifying and classifying passive sonar contacts, so that possible threats are detected. The automation of this process is extremely relevant, since it facilitates the work of the professional of this area, requiring less physical and mental efforts during the surveillance. The proposal of this study is to investigate the efficiency of specialized models in the constitution of such a system, aiming to derive a mechanism that effectively detects unknown ships, as well as correctly identifies the labels of those already known. Three levels of specialization were considered: non-specialized, specialized in classes, and specialized in ships, assuming the following techniques for the construction of the system: Principal Component Analysis (PCA), Kernel Principal Component Analysis (KPCA), One-Class Support-Vector Machines (OCSVM), Gaussian Mixture Models (GMM), k-Nearest Neighbors (kNN), sparse k-Nearest Neighbors (s-kNN) and Local Outlier Factor (LOF). Experiments conducted with real data acquired on an acoustic lane showed a better performance of the models specialized in ships, which reached a novelty detection rate of 83.4%, conjugated with an average recognition rate of known classes of 90.5%. Regarding specifically the task of classifying the known classes, 98.7% are correctly labeled.Submitted by Aglair Aguiar (aglair@ct.ufrj.br) on 2020-05-22T01:47:13Z No. of bitstreams: 1 891678.pdf: 868018 bytes, checksum: 3a4b22a3660718a28a5f3d6368cb6f53 (MD5)Made available in DSpace on 2020-05-22T01:47:13Z (GMT). No. of bitstreams: 1 891678.pdf: 868018 bytes, checksum: 3a4b22a3660718a28a5f3d6368cb6f53 (MD5) Previous issue date: 2019-08porUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOSSonarNavegação autônomaSistema de apoio à decisãoAprendizado computacionalDetectores de novidades e classificadores especializados em sistemas de sonar passivoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJORIGINAL891678.pdf891678.pdfapplication/pdf868018http://pantheon.ufrj.br:80/bitstream/11422/12291/1/891678.pdf3a4b22a3660718a28a5f3d6368cb6f53MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/12291/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD5211422/122912023-11-30 00:03:58.677oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:03:58Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
title |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
spellingShingle |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo Muniz, Victor Hugo da Silva. CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS Sonar Navegação autônoma Sistema de apoio à decisão Aprendizado computacional |
title_short |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
title_full |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
title_fullStr |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
title_full_unstemmed |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
title_sort |
Detectores de novidades e classificadores especializados em sistemas de sonar passivo |
author |
Muniz, Victor Hugo da Silva. |
author_facet |
Muniz, Victor Hugo da Silva. |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5666349881259172 |
dc.contributor.author.fl_str_mv |
Muniz, Victor Hugo da Silva. |
dc.contributor.referee1.fl_str_mv |
Petraglia, Mariane Rembold |
dc.contributor.referee2.fl_str_mv |
Tcheou, Michel Pompeu |
dc.contributor.advisor1.fl_str_mv |
Souza Filho, João Baptista de Oliveira e |
contributor_str_mv |
Petraglia, Mariane Rembold Tcheou, Michel Pompeu Souza Filho, João Baptista de Oliveira e |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS Sonar Navegação autônoma Sistema de apoio à decisão Aprendizado computacional |
dc.subject.por.fl_str_mv |
Sonar Navegação autônoma Sistema de apoio à decisão Aprendizado computacional |
description |
Em submarinos, cabe aos operadores de sonar a tarefa de identificar e classificar contatos de sonar passivo, de forma que possíveis ameaças sejam detectadas. A automatização deste processo é extremamente relevante, visto que facilita o trabalho do profissional desta área, ao exigir um menor esforço físico e mental durante a vigilância. A proposta deste estudo é investigar a eficiência de modelos especializados na constituição de tal sistema, visando a derivar um mecanismo que detecte de forma eficaz navios desconhecidos, bem como identifique corretamente os rótulos daqueles conhecidos. Três níveis de especialização foram considerados: não-especializado, especializado por classes, e especializado por navios, assumindo as seguintes técnicas para a construção do sistema: Análise de Componentes Principais (PCA), Análise de Componentes Principais por Kernel (KPCA), Máquinas de Vetor-Suporte de Uma Classe (OCSVM), Modelos de Mistura de Gaussianas (GMM), k-vizinhos mais próximos (kNN), k-vizinhos mais próximos esparso (s-kNN) e Local Outlier Factor (LOF). Experimentos conduzidos com dados reais adquiridos em uma raia acústica mostraram um melhor desempenho dos modelos especializados em navios, que atingiram uma taxa de detecção de novidades de 83,4%, conjugada com uma taxa média de reconhecimento de classes conhecidas de 90,5%. Em relação especificamente à tarefa de classificação das classes conhecidas, 98,7% são corretamente rotuladas. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-08 |
dc.date.accessioned.fl_str_mv |
2020-05-22T01:47:13Z |
dc.date.available.fl_str_mv |
2023-11-30T03:03:58Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/12291 |
url |
http://hdl.handle.net/11422/12291 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/12291/1/891678.pdf http://pantheon.ufrj.br:80/bitstream/11422/12291/2/license.txt |
bitstream.checksum.fl_str_mv |
3a4b22a3660718a28a5f3d6368cb6f53 dd32849f2bfb22da963c3aac6e26e255 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097181940056064 |