Principal component analysis for classifying passive sonar signals

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

doi:10.1109/iscas.2001.921380

Cited by 25 publications

(19 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Este processo costuma produzir classificadores com desempenho similar aos treinados pela forma usual, porém a um custo computacional inferior, dado o menor número de parâmetros a serem ajustados, em especial, nos casos de múltiplos ensaios onde o número de neurônios na camada escondidaé crescente [17]. Visando ainda minimizar a susceptibilidade do treinamento a mínimos locais, para a inserção de um novo neurônio, foi realizado um total de 5 tentativas, considerando-se, para cada uma, diferentes valores iniciais para os parâmetros.…”

Section: Resultsunclassified

Seleção Estatística de Dados para Classificadores Neurais de Sinais de Sonar Passivo

Filho¹,

Seixas²

2016

Anais Do 7. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

Abstract-Neste trabalho, discute-se a seleção de dados para o projeto de classificadores em problemas sujeitos a restrições estatísticas do banco de dados. Considerando a classificação de espectros de sonar passivo, provenientes de 25 navios pertencentes a 8 classes distintas,é mostrado que a seleção dos conjuntos de projeto e teste, por meio de técnicas de análise de agrupamentos, permite, com um menor custo computacional, obter classificadores de maior eficiência média e melhor desempenho para as classes mais críticas. Utilizando esta técnica, um classificador com uma eficiência média de 94,6% foi obtido, o queé significativo para o problema em questão. I. INTRODUÇÃOA vigilância realizada pelas forças armadas utiliza equipamentos variados, com o objetivo de buscar alvos que podem ser ameaças ou objetos de interesse. Neste contexto, os submarinos de guerra realizam, comumente, operações de patrulha e ataque. Desta maneira, a identificação, em tempo hábil, de embarcações eventualmente presentes em sua vizinhança, referidas como contatos,é fundamental.O principal sistema utilizado nos submarinos para a detecção e identificação de contatosé o sistema de sonar passivo. Operadores especialmente treinados, analisando a sonoridade e o conteúdo de freqüência do sinal de sonar, definem o contato mais provável, já que cada embarcação produz um ruído característico, conhecido como assinatura, que está relacionadoà sua cavitação, ao ruído do hélice e das máquinas em operação no seu interior [1]. A identificação de contatos nãoé uma tarefa trivial, dada a complexidade do ruído captado, que reúne sinais provenientes de múltiplas fontes, entre elas: o contato, os ruídos biológicos, assim como as múltiplas reflexões destes ruídos no assoalho submarino.Desta forma, sistemas automáticos de classificação constituem uma ferramenta bastanteútil ao operador, podendo ser utilizados como instrumento de apoioà decisão, o que reduz o volume de trabalho e aumenta o nível de confiabilidade e a rapidez do processo de decisão pelo operador. Para implementação de um tal sistema, a técnica de redes neurais artificiais [2]é especialmente adequada, dada sua habilidade em extrair informação relevante, mesmo em ambientes de altadimensionalidade, produzindo classificadores compactos e de elevada eficiência.Para o desenvolvimento de sistemas de classificação de contatos, a existência de uma base de dados que reflita as condições reais de operação das diferentes classesé fundamental. Assim, o procedimento comumente adotado no ambiente de sonar consiste em realizar corridas de navios pertencentes a variadas classes, segundo diferentes condições operativas, numa raia acústica, promovendo a aquisição dos sinais produzidos no interior da raia, de forma a simular uma situação real. Este procedimentoé um processo complexo e caro, sujeito a variadas restrições, inclusive em relação ao número de navios disponíveisà caracterização de cada classe, o que, normalmente, restringe a estatística dos dados disponíveis.Neste trabalho discutimos a seleção de dados pa...

show abstract

Section: Resultsunclassified

Seleção Estatística de Dados para Classificadores Neurais de Sinais de Sonar Passivo

Filho¹,

Seixas²

2016

Anais Do 7. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

show abstract

“…The input spectra comprises of 513 frequency bins. Principal component analysis (PCA) (Chen, 2000), (Soares Filho, 2001) is firstly applied for data dimensionality reduction. The Figure 11 displays the accumulated energy curve which shows that the clustering process may be realized projecting data onto only two components.…”

Section: Clusteringmentioning

confidence: 99%

“…Then 20 spectra were chosen as a start point to network parametrization. Because of the high dimension of the input data and having the knowledge the clustering presents better results in reduced dimensions (Duda, 2000), principal components analysis (Soares Filho, 2001) was implemented. The Figure 11 shows the accumulated energy in principal components for PCA.…”

Section: Clusteringmentioning

confidence: 99%

See 1 more Smart Citation

Passive Sonar Signal Detection and Classification Based on Independent Component Analysis

Moura¹,

Seixas²,

Ramos³

2011

Sonar Systems

View full text Add to dashboard Cite

“…is a R K → R N nonlinear mapping (N K). Through NLPCA, one usually obtains higher variance concentration in the initial components with respect to PCA [10]. One way to estimate the nonlinear principal components is through auto-associative neural networks [11].…”

Section: Nonlinear Principal Component Analysismentioning

confidence: 99%

Optimized Calorimeter Signal Compaction for an Independent Component based ATLAS Electron/Jet Second-level Trigger

Simas¹,

Seixas²,

Calôba³

2009

Proceedings of XII Advanced Computing and Analysis Techniques in Physics Research — PoS(ACAT08)

View full text Add to dashboard Cite

The ATLAS online trigger system has three filtering levels and relies very much on calorimeter information, which is segmented into seven detection layers. Due to differences both in depth and cell granularity of these layers, trigger algorithms may benefit from performing feature extraction at the layer level. This work addresses electron/jet separation at the second level (LVL2) filtering restricted to calorimeter data. Segmented Independent Component Analysis (SICA) is applied over the calorimeter layers in order to extract relevant features for particle identification. The number of independent components to be extracted from a Region of Interest (RoI) is estimated through different signal compaction strategies, such as Principal Component Analysis, Nonlinear Principal Component Analysis and Principal Components for Discrimination. These compaction techniques are evaluated with respect to dimensionality reduction (and processing speed) and classification efficiency. The hypothesis testing is performed by a Multi-Layer Perceptron classifier fed from the segmented independent components. It is shown that the proposed discriminators outperform the baseline design for ATLAS second-level trigger system, achieving a detection efficiency of 99% for a rejection factor smaller than 2%.

show abstract

Principal component analysis for classifying passive sonar signals

Cited by 25 publications

References 6 publications

Seleção Estatística de Dados para Classificadores Neurais de Sinais de Sonar Passivo

Seleção Estatística de Dados para Classificadores Neurais de Sinais de Sonar Passivo

Passive Sonar Signal Detection and Classification Based on Independent Component Analysis

Optimized Calorimeter Signal Compaction for an Independent Component based ATLAS Electron/Jet Second-level Trigger

Contact Info

Product

Resources

About