Averaging spectra to improve the classification of the noise radiated by ships using neural networks

Soares-Filho, William; Seixas, J. M.; Calôba, L. P.

doi:10.1109/sbrn.2000.889731

Cited by 7 publications

(6 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…4b ). In standard CNN classification tasks, it is assumed that a class can be determined from a single spectrum 43 . Alternatively, the Bayesian decision rule 44 can combine information from multiple spectra.…”

Section: Resultsmentioning

confidence: 99%

Pretreatment-free SERS sensing of microplastics using a self-attention-based neural network on hierarchically porous Ag foams

Guselnikova,

Trelin,

Kang

et al. 2024

Nat Commun

View full text Add to dashboard Cite

Low-cost detection systems are needed for the identification of microplastics (MPs) in environmental samples. However, their rapid identification is hindered by the need for complex isolation and pre-treatment methods. This study describes a comprehensive sensing platform to identify MPs in environmental samples without requiring independent separation or pre-treatment protocols. It leverages the physicochemical properties of macroporous-mesoporous silver (Ag) substrates templated with self-assembled polymeric micelles to concurrently separate and analyze multiple MP targets using surface-enhanced Raman spectroscopy (SERS). The hydrophobic layer on Ag aids in stabilizing the nanostructures in the environment and mitigates biofouling. To monitor complex samples with multiple MPs and to demultiplex numerous overlapping patterns, we develop a neural network (NN) algorithm called SpecATNet that employs a self-attention mechanism to resolve the complex dependencies and patterns in SERS data to identify six common types of MPs: polystyrene, polyethylene, polymethylmethacrylate, polytetrafluoroethylene, nylon, and polyethylene terephthalate. SpecATNet uses multi-label classification to analyze multi-component mixtures even in the presence of various interference agents. The combination of macroporous-mesoporous Ag substrates and self-attention-based NN technology holds potential to enable field monitoring of MPs by generating rich datasets that machines can interpret and analyze.

show abstract

Section: Resultsmentioning

confidence: 99%

Pretreatment-free SERS sensing of microplastics using a self-attention-based neural network on hierarchically porous Ag foams

Guselnikova,

Trelin,

Kang

et al. 2024

Nat Commun

View full text Add to dashboard Cite

show abstract

“…Este procedimento melhora a relação sinal-ruído e aumenta também a eficiência de discriminação, em especial quando utilizados na fase de produção de saídas da rede neural [5].…”

Section: Figura 2: Cadeia De Pré-processamentounclassified

Classificador Neural OnLine para Sonar Passivo utilizando um Processador Digital de Sinais de Alto Desempenho

Filho¹,

Seixas²,

Filho³

2016

Anais Do 5. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

The noise radiated from ships in the ocean contains information about their machinery, being normally used by passive sonar systems for detection and identification purposes. This article describes the implementation of an on-line neural classifier using a high-speed 32-bit floating-point digital signal processor (ADSP21062 IntroduçãoUma embarcação ao navegar no mar produz uma ampla gama de sons. O ruído do sistema de propulsão, das diversas máquinas e sistemas internos, assim como os sons produzidos pelas hélices e pela fauna aquática, misturam-se às suas múltiplas reflexões em diferentes obstáculos, compondo um rico sinal de ruído. Distinguir entre diferentes classes de navios pela análise deste ruído é uma tarefa não trivial [1].A identificação de navios por um submarino é realizada basicamente por seu sistema de sonar passivo. O ruído irradiado pelos contatos é recebido pelos sensores do sistema de sonar e é processado de forma a fornecer uma informação visual e auditiva a um operador especialmente treinado. Este operador avalia tais informações e define a identificação do contato. A eficiência deste método está diretamente relacionada à habilidade do operador em isolar e identificar as características relevantes do sinal recebido, tanto em termos de sonoridade, quanto em termos do conteúdo do espectro de freqüências.Visando aumentar a confiabilidade e acerelar o processo de tomada de decisões, métodos inteligentes vêm sendo utilizados. Um método especialmente interessante para esta aplicação é a utilização de redes neurais. As redes neurais têm provado ser capazes de extrair características relevantes em espaços de dados de elevada dimensão, para complexas aplicações de diferentes áreas do conhecimento [2]. Devido a sua simplicidade e robustez, as redes multicamadas e sem realimentação, treinadas pelo algoritmo de backpropagation, são bastante populares. Esta simplicidade, especialmente na fase de produção de saídas, permite sua implementação em diferentes ambientes computacionais, inclusive em sistemas on-line. Aliando-se à rede neural métodos eficientes de pré-processamento, a alta dimensionalidade do espaço de entrada de uma rede típica pode ser reduzida, redução esta que é atrativa em problemas de sonar passivo, especialmente para operação on-line.Para implementação on-line de classificadores, os processadores digitais de sinais (DSPs) são uma ótima opção. O DSP é um microprocessador cuja arquitetura interna é otimizada para a operação de produto interno, operação mais frequentemente realizada nos algoritmos de processamento digital de sinais e de processamento neural, em especial na fase de produção de saídas. Assim, os DSPs permitem a implementação de classificadores neurais razoavelmente complexos, com alto volume de pré-processamento digital, de forma extremamente veloz, constituindo uma opção economicamente viável para problemas que exijam resposta on-line, ou em tempo real, de alto desempenho.Este artigo trata da implementação, na tecnologia dos DSPs, de um sistema de classificação de nav...

show abstract

“…So, the implementation of this method is difficult or even impossible. The discriminating features suggested in (Soares-Filho 2000) are based on power spectral density of radiated noise of four different classes of ships. In this paper the background noise has been estimated using Two-Pass Split-Window (TPSW) (Nielsen 1991) and the tonal components were extracted by subtracting the ambient noise from total power spectral density.…”

Section: The Literature Reviewmentioning

confidence: 99%

SONAR Systems and Underwater Signal Processing: Classic and Modern Approaches

Peyvandi¹,

Farrokhrooz²,

Roufarshbaf³

et al. 2011

Sonar Systems

View full text Add to dashboard Cite

Averaging spectra to improve the classification of the noise radiated by ships using neural networks

Cited by 7 publications

References 2 publications

Pretreatment-free SERS sensing of microplastics using a self-attention-based neural network on hierarchically porous Ag foams

Pretreatment-free SERS sensing of microplastics using a self-attention-based neural network on hierarchically porous Ag foams

Classificador Neural OnLine para Sonar Passivo utilizando um Processador Digital de Sinais de Alto Desempenho

SONAR Systems and Underwater Signal Processing: Classic and Modern Approaches

Contact Info

Product

Resources

About