Um Mapeamento não-linear em diversas camadas para a Detecção de novos contatos em Sistemas de Classificação de Sonar Passivo
Vinícius dos Santos Mello1; Natanael Nunes de Moura Junior2; José Manoel de Seixas2
1 Escola Politécnica da Universidade Federal do Rio de Janeiro; 2 Coppe/UFRJ
Baixar PDF doi:10.20906/CPS/CBA2018-1367
Resumo
Avanços no desenvolvimento de tecnologia naval têm tornado o ruído irradiado por navios cada vez menos intenso e, devido a isso, a sua detecção por sistemas de sonar passivo se tornou uma tarefa desafiadora, por isso, sistemas de classificação automática de contatos se fazem necessários nesse ambiente. Estes sistemas estão sujeitos a operar em sinais que não estavam disponíveis no momento do seu desenvolvimento; deste modo, estes sistemas devem conter detectores de novidade. O aprendizado profundo consiste em um conjunto de técnicas que utilizam diversas maneiras para acessar informações contidas nos dados de entrada, e uma destas é a aplicação de sucessivas transformações não-lineares que possam produzir diferentes níveis de abstração. Os Stacked Autoencoders (SAEs) são um exemplo desta aplicação e inicializam os pesos de uma rede profunda de maneira não-supervisionada. Neste artigo, o impacto do mapeamento não-linear baseado em SAEs em um detector de novidade desenvolvido para um sistema de classificação automática em sinais de sonar passivo será avaliado. Para isso, dados experimentais adquiridos junto a Marinha do Brasil serão utilizados para o desenvolvimento de detectores de novidade baseado em redes neurais profundas. Cada um dos modelos profundos foi inicializado com pesos extraídos de SAEs que são treinados sobre a mesma base de dados. Os resultados obtidos serão comparados com os resultados de detectores de novidade baseados em redes neurais artificiais rasas, previamente desenvolvidos.
Palavras-chave: Sistemas de Sonar Passivo; Aprendizado de Máquina; Detecção de Novidade; Aprendizado Profundo