Метод інтелектуальної класифікації літаючих об’єктів за їх акустичними сигнатурами

Abstract

Кваліфікаційна робота присвячена підвищенню ефективності класифікації літаючих об’єктів шляхом розробки методу інтелектуального аналізу їх акустичних сигнатур із застосуванням згорткових нейронних мереж. У першому розділі проаналізовано сучасні методи моніторингу повітряного простору, зокрема радіолокаційні, оптичні та акустичні. Визначено переваги пасивних акустичних систем для виявлення малих БПЛА на низьких висотах. Досліджено особливості акустичних сигнатур різних типів літаючих об’єктів (літаків, вертольотів, дронів) та обґрунтовано доцільність використання методів машинного навчання для їх розпізнавання. У другому розділі досліджено теоретичні основи цифрової обробки звукових сигналів. Розглянуто методи попередньої обробки, нормалізації та виділення інформативних ознак, таких як MFCC, LPC та Chroma. Проведено порівняльний аналіз класичних алгоритмів машинного навчання (k-NN, SVM) та методів глибинного навчання (CNN, RNN, Transformers), визначивши згорткові мережі як найбільш перспективні для аналізу спектрограм . У третьому розділі розроблено та досліджено дві архітектури згорткових нейронних мереж ("smallNet" та "complexNet") для класифікації сигнатур. Виконано навчання моделей на основі MFCC-спектрограм із застосуванням аугментації даних. Експериментально встановлено, що компактна архітектура 4 "smallNet" забезпечує вищу точність та кращу узагальнюючу здатність порівняно з глибшою моделлю, яка виявила схильність до перенавчання. У четвертому розділі окреслено вимоги охорони праці та техніки безпеки при виконанні робіт із застосуванням БПЛА, а також заходи безпеки у надзвичайних ситуаціях.

The qualification work is devoted to improving the efficiency of flying object classification by developing a method for the intelligent analysis of their acoustic signatures using convolutional neural networks. The first section analyzes modern methods of airspace monitoring, including radar, optical, and acoustic methods. The advantages of passive acoustic systems for detecting small UAVs at low altitudes are determined. The features of acoustic signatures of various types of flying objects (airplanes, helicopters, drones) are investigated, and the feasibility of using machine learning methods for their recognition is substantiated. The second section investigates the theoretical foundations of digital sound signal processing. Methods of pre-processing, normalization, and extraction of informative features, such as MFCC, LPC, and Chroma, are considered. A comparative analysis of classical machine learning algorithms (k-NN, SVM) and deep learning methods (CNN, RNN, Transformers) is conducted, identifying convolutional networks as the most promising for spectrogram analysis. In the third section, two architectures of convolutional neural networks ("smallNet" and "complexNet") for signature classification are developed and 6 investigated. Model training was performed based on MFCC spectrograms using data augmentation. It was experimentally established that the compact "smallNet" architecture provides higher accuracy and better generalization capability compared to the deeper model, which showed a tendency towards overfitting. The fourth section outlines occupational health and safety requirements when performing work involving UAVs, as well as safety measures in emergency situations.