Classification of vessel acoustic signatures using non-linear scattering based feature extraction

Bu tez gemilerin akustik izlerine dayanan gemi tanıma ve sınıflandırma sistemi önermektedir. Sonar operatörlerin, gemi sonarları tarafından algılanan akustik sesleri dinleyerek geleneksel yöntemlerle tanıma yapmaktadır. Bu çalışmanın amacı, insana dayanan tanıma sistemini otomatik bilgisayar tabanlı sınıflandırma sistemi ile değiştirmektir. Bundan dolayı, konuşma tanıma algoritmalarındaki öznitelik vektörleri sualtı akustik sinyallerin tanınmasında da (UASR) kabul etmek mantıklı bir düşünce olacaktır. Konuşma tanımada en yaygın kullanılan öznitelik vektör çıkarma algoritmaları Doğrusal Kestirimci Kodlama (LPC) ve Mel Frekans Kepstral katsayılarıdır (MFCC) ve ayrıca bu iki metot UASR'de de kullanılmıştır. Ek olarak, süzgeç bankasını elde etmek için MFCC algoritmasında bulunan mel ölçekli süzgeç bankası yerine saçılma dönüşümü kullanılmıştır. Saçılma, sinyali ardı ardına aralarında doğrusal olmayan operatörlerin bulunduğu dalgacık dönüşümleriyle bölmüş ve dalgacık katsayılarını elde etmiştir. Önerilen yeni metod Saçılma Dönüşümü Kepstral katsayıları (STCC) olarak isimlendirilmiştir. İnsanın duyma hassasiyeti bütün frekans bantlarında aynı değildir ve MFCC düşük frekanslardaki değişimlere yüksek frekansa göre daha hassastır. Bu nedenle daha doğru bir gösterim yapabilmek için düşük frekanslarda DWT sayını arttırarak daha çok bölünme işlemi yapılmıştır ve deneysel sonuçlar göstermiştir ki eşdağılım yapmayan süzgeç bankası daha iyi başarı göstermiştir. Önerilen öznitelik çıkarma metodlarında sınıflandırma performansını arttırmak için farklı doğrusal olmayan operatörler kullanılmıştır. Doğrusal olmayan operatörler ve saçılma dönüşümünün uygulanması akustik gürültü üreten platformları tanımada ilk kez kullanılacaktır. Teager enerji operatörü (TEO) bulunan MFCC'nin gürültülü ortamlara daha dayanıklı olduğu ve platformların enerjilerinin daha iyi tahmin edilmesini sagladığı görülmüştür. TEO'nun MFCC'de positif etkisi olmasına rağmen STCC'de performansı düşürmüştür. Ayrıca farklı bir doğrusal olmayan tanh operatörü LPC, MFCC ve STCC'ye uygulanmış ve deneysel sonuçlar bu operatörün bütün öznitelik çıkarma metodlarında performansı arttırdığı gösterilmiştir. Analiz ve uygulama 10 farklı sınıfa ait 24 farklı gemi sesi kaydının olduğu veri kümesi ile yürütülmüştür. Sınıflandırıcı olarak Yapay Sinir Ağı (YSA) ve Destekçi Vektör Makinası (DVM) kullanılmıştır. Önerilen metotların performansları karşılaştırılmıştır ve deneysel sonuçlar STCC'nin en iyi sınıflandırma performansına sahip olduğu kanıtlanmıştır ve tanh uygulanan STCC'nin gemi seslerini sınıflandırmada %98,50 do˘gruluk ile en yüksek oranı başarmıştır.