КЛАССИФИКАЦИЯ НАЗЕМНОЙ ТЕХНИКИ ПО АКУСТИЧЕСКОМУ СИГНАЛУ НА ОСНОВЕ НЕПРЕРЫВНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ

УДК 681.524

КЛАССИФИКАЦИЯ НАЗЕМНОЙ ТЕХНИКИ ПО АКУСТИЧЕСКОМУ СИГНАЛУ НА ОСНОВЕ НЕПРЕРЫВНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ И МЕТОДА

ОПОРНЫХ ВЕКТОРОВ

Яковлева Ольга Владимировна, магистрант, Научный руководитель: Глазков Виталий Владимирович,

кандидат технических наук; МГТУ им. Н.Э. Баумана, Москва, Российская Федерация

Аннотация: Распознавание транспортных средств по звуку не является новым подходом. Любой двигатель транспортного средства, который включен, издает шум. Транспортные средства одного и того же класса и работающие в аналогичных условиях теоретически создают аналогичные шумы. Классификация транспортных средств была исследована в различных областях. Проблема заключается в том, как извлечь наилучшие характеристики звука транспортного средства, характеризующие каждый тип транспортного средства. В данной статье рассматривается алгоритм классификации классов наземной техники по акустическому сигналу на основе непрерывного вей-влет-преобразования с последующим уменьшением размерности методом главных компонент и методом опорных векторов. Результаты показывают, что такой подход может быть использован для классификации транспортных средств по акустическому сигналу.

CLASSIFICATION OF VEHICLE ACOUSTIC SIGNAL BASED ON CONTINUOUS WAVELET TRANSFORM AND SUPPORT VECTOR MACHINE

Yakovleva Olga Vladimirovna, master&s student, Scientific adviser: Glazkov Vitaliy Vladimirovich, Candidate of Engineering Sciences;

BMSTU, Moscow, Russia

Abstract: Recognizing vehicles by sound is not a new approach. Any vehicle engine that is turned on makes a noise. Vehicles of the same class and operating under similar conditions theoretically create similar noises. Vehicle classification has been investigated in various fields. The problem is how to extract the best vehicle sound characteristics characterizing each type of vehicle. In this paper discusses an algorithm for classification of ground-based vehicle acoustic signal based on a continuous wavelet transform with subsequent dimensionality reduction using the principal component analysis and the support vector machine. The results show that this approach can be used to classify vehicles by acoustic signal.

Для цитирования: Яковлева, О. В. Классификация наземной техники по акустическому сигналу на основе непрерывного вейвлет-преобразования и метода опорных векторов / О. В. Яковлева. - Текст : электронный // Наука без границ. - 2020. - № 6 (46). - С. 113-118. - URL: https://nauka-bez-granic.ru/NQ-6-46-2020/6-46-2020/

For citation: Yakovleva O.V. Classification of vehicle acoustic signal based on continuous wavelet transform and support vector machine // Scince without borders, 2020, no. 6 (46), pp. 113-118.

Задача классификации акустических сигналов имеет очевидное промышленное и военное применение. В настоящее время автоматическая классификация транспортных средств в основном основана на распознавании изображений. В этой статье рассматривается алгоритм, который решает задачу классификации акустических сигналов, излучаемых различными движущимися транспортными средствами.

Перемещение наземных транспортных средств влияет на окружающую среду различными путями. Транспортное средство излучает тепло, звуки, магнитное поле. Существует множество подходов, которые расследуют идентификацию транспортных средств на основе различных видов сигналов. Наиболее многообещающим подходом к идентификации транспортных средств является тот, который основан на акустических сигналах [1].

В качестве объекта исследования были взяты акустические сигналы, принадлежащие трем классам наземных транспортных средств, полученные экспериментальным путем. При этом записанные сигналы должны быть отнесены к уже существующим категориям независимо от условий записи. Алгоритм, реализованный в данной статье, может быть также использован для решения широкого круга задач классификации и распознавания, которые основаны на акустической обработке сигнала.

Данная статья посвящена распознаванию класса наземной техники по акустическому сигналу. Набор данных, который используется в статье, представляет собой записи шума наземных транспортных средств трех классов:

- автомобиль «Газель»;

- грузовой автомобиль типа «Камаз»;

- гусеничная техника.

Для каждого класса наземной техники имеется около 150 записей, полученных экспериментальным путем.

На рисунке ниже представлены графики сигналов во временной области каждого класса целей.

Г\\"секнчкая техника

Рисунок 1 - Графики сигналов во временной области каждого класса целей

Можно выделать следующие шаги для реализации рассматриваемого алгоритма:

I. Получение коэффициентов непрерывного вейвлет-преобразования

Вейвлет-преобразование (ВП) одномерного сигнала - это его представление в виде обобщенного ряда или интеграла Фурье по системе базисных функций, сконструированных из материнского (исходного) вейвлета обладающего определенными свойствами за счет операций сдвига во времени (Ь) и изменения временного масштаба (а):

В непрерывном вейвлет-преобразо-вании (CWT) анализирующей функцией является вейвлет. CWT сравнивает сигнал со сдвинутой и сжатой или растянутой версиями вейвлета. Растяжение или сжатие функции в совокупности называется расширением или масштабированием и соответствует физическому понятию масштаба. Коэффициенты CWT получают путем постоянно изменения значения параметра масштаба (а) и параметра положения (Ь). На коэффициенты CWT влияют не только значения масштаба и положения, но и выбор самого вей-влета.

Выбор анализирующего вейвлета, как правило, определяется тем, какую информацию нужно извлечь из обрабатываемого сигнала. Каждый всплеск имеет характерные особенности во временной и частотной области, поэтому иногда с помощью разных всплесков можно полнее выявить и подчеркнуть те или иные свойства анализируемых

данных [2].

Вейвлет-спектр Ws(a,b) (wavelet spectrum, или time-scale-spectrum -масштабно-временной спектр) в отличие от фурье-спектра (single spectrum) является функцией двух аргументов: первый аргумент а (временной масштаб) аналогичен периоду осцилля-ций, т.е. обратен частоте, а второй b - аналогичен смещению сигнала по оси времени. Следует отметить, что Ws(b,a0) характеризует временную зависимость, тогда как зависимости Ws(a,b0) можно поставить в соответствие частотную зависимость [3].

II. Уменьшение размерности данных с помощью метода главных компонент

Для декомпозиции многомерного набора данных в набор последовательных ортогональных компонентов используется метод главных компонент (PCA). В scikit-learn PCA реализован как преобразователь, который при обучении изучает заданное число компонент из всех признаков, а после проецирует новые данные на эти компоненты [4].

III. Построение и обучение SVM классификатора

Машины опорных векторов (SVM) основаны на методе минимизации структурного риска. Идея SVM-сетей состоит в построении гиперплоскости, максимально разделяющей примеры альтернативных классов в случае линейно разделимых образов или минимизирующей неизбежные ошибки классификации в случае линейно неразделимых примеров.

Классификация - это задача моделирования прогноза, которая включает назначение метки класса для примера. Алгоритм SVM предназначен для задач бинарной классификации, т.е.

задач с двумя классами. И напрямую не может быть использован для задач классификации нескольких классов. Эвристические методы позволяют задачу классификации нескольких классов разделить на несколько задач бинарной классификации.

Алгоритм настройки параметров SVM-сети автоматически определяет опорные векторы, т.е. небольшое количество обучающих примеров наиболее сложных для классификации. Эти примеры формируют границы гиперплоскости, разделяющей альтернативные классы.

Алгоритм, рассматриваемый в статье, был реализован в программе Python.

В данной работе используется библиотека PyWT, которая является свободно доступной библиотекой для вычисления вейвлетов. Эта библиотека позволяет вычислить коэффициенты вейвлета.

В действительности не обязательно использовать весь сигнал. Частота дискретизации используемых записей равна 25 600 Гц. В данной работе используется 1024 отсчетов каждого из сигналов. Следовательно, длительность используемых сигналов составляет 0,04 с.

Для каждого класса целей были вычислены коэффициенты вейвлетов и построены три скалограммы (рис. 2). В качестве материнского вейвлета взят вейвлет Морле.

Визуально построенные скалограм-мы отличаются. Можно для наглядности также построить 3D-изображение (рис. 3).

ГЧ"£^ннчкг.т тзчнккг

лй 4io ion НИ? UH0

Рисунок 2 - Скалограммы сигналов каждого класса целей

Гусрни.ч нлттехника

Камаз

Газель

Рисунок 3 - 3D-изображение скалограмм сигналов каждого класса целей

Далее применяется метод главных (PCA), с помощью которого выделяется только один информационный признак. И вместо того, чтобы работать с полумиллионом коэффициентов для каждого сигнала, остается всего 512. Метод главных компонент применяется для каждого сигнала в исходном наборе данных.

После процедуры уменьшения признакового пространства переходим к обучению машины опорных векторов. Для начала набор исходных данных необходимо поделить на обучающий и тестовый. В данной работе под тестовую выборку выбирается 25 % записей. В python это легко сделать с помощью train_test_split из библиотеки sklearn.model_selection.

Затем следует обучить классификатор SVM по обучающей выборке.

В данной работе для классификации используется SVC из библиотеки sklearn.svm - это один из методов SVM (C-Support Vector Classification), который в случае классификации нескольких классов использует эвристический метод «один против одного» (One-vs-One). Подход one-vs-one разделяет задачу классификации нескольких классов на бинарные классификации для каждого класса по сравнению с любым другим классом, то есть выполняется бинарная классификация для каждой пары классов [5].

Для оценки точности построенного классификатора, делаются прогнозы на тестовой выборке. На рис. 4 можно увидеть матрицу ошибок, которая наглядно показывает ошибки предсказания класса.

Predicted Label

Рисунок 4 - Матрица ошибок

Оценка точности классификации на тестовой выборке составляет 91.15 %. Как видно из результатов, прогноз на тестовой выборке имеет неплохой результат. Это свидетельствует, что данный способ использования вейвлет-преобразования эффективен для извлечения характеристик из действительно сложных сигналов, генерируемых нестационарными процессами.

СПИСОК ЛИТЕРАТУРЫ

REFERENCES

Материал поступил в редакцию 20.05.2020

© Яковлева О.В., 2020

В статье рассмотрен метод классификации наземной техники по акустическому сигналу, в основе которого лежит непрерывное вейвлет-преоб-разование и метод опорных векторов. Результаты показывают, что такой подход может быть использован для классификации транспортных средств по акустическому сигналу.