Наука и технологические разработки: статья

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ LSTM-СЕТЕЙ ДЛЯ ОПЕРАТИВНОГО АНАЛИЗА АКУСТИЧЕСКИХ, МАГНИТНЫХ И ВИБРАЦИОННЫХ ПОЛЕЙ
В.В. Гравиров
Р.А. Жостков
А.Н. Котов
С.А. Тощов
Институт физики Земли им. О.Ю. Шмидта РАН
Журнал: Наука и технологические разработки
Том: 102
Номер: 1
Год: 2023
Страницы: 40-64
УДК: 004.32.26+550.34.64
DOI: 10.21455/std2023.1-3
Ключевые слова: глубокая нейронная сеть, предобработка данных, оптимизация структуры нейронной сети, акустическое, магнитное и вибрационное поле, лабораторный эксперимент
Аннотация: В работе обсуждается возможность использования искусственной нейронной сети (ИНС) простой структуры, которая может быть легко реализована в виде специализированной микросхемы, для оперативного анализа физических полей, генерируемых различными источниками в условиях мегаполиса. Рассмотрена работа ИНС с акустическими, вибрационными и магнитными сигналами. Отдельное внимание уделено вопросам оптимизации топологии и основных параметров ИНС при работе с рассмотренными типами временных рядов данных. Приведены результаты применения ИНС для исследования сигналов модельных источников, зарегистрированных в лабораторных условиях и при наличии городского фона.
Список литературы: Бомбизов А.А., Петров А.Б., Лощилов А.Г. Исследование электромагнитного и акустического излучения беспилотных летательных аппаратов в области низких частот // Доклады ТУСУР. 2018. Т. 21, № 1. С.57–61. https://doi.org/10.21293/1818-0442-2018-21-1-57-61

Воронцов В.И., Фараносов Г.А., Карабасов С.А., Зайцев М.Ю. Сравнение направленности шума несущего вертолетного винта для режимов полета и висения // Акустический журнал. 2020.

Т. 66, № 3. С.308–318. https://doi.org/10.31857/S0320791920030089

Гейстер С.Р. Малогабаритные акустические системы обнаружения и измерения координат огневых точек // Наука и военная безопасность. 2007. № 1. C.23–27.

Гончаренко Б.И., Кузьменков В.Ю., Котов А.Н. Экспериментальное исследование особенностей формирования спектра шумов беспилотного летательного аппарата // Noise Theory and Practice. 2020. Т. 6, № 4 (22). С.49–59.

Гравиров В.В. Программа многокритериальной разметки данных физических полей: Свидетельство о государственной регистрации программы для ЭВМ. RU 2023618236. 20.04.2023а.

Гравиров В.В. Программа анализа качества работы LSTM рекуррентных нейронных сетей: Свидетельство о государственной регистрации программы для ЭВМ. RU № 2023618085.

18.04.2023б.

Гравиров В.В. Программа подбора параметров LSTM рекуррентных нейронных сетей: Свидетельство о государственной регистрации программы для ЭВМ. RU № 2023618324.

21.04.2023в.

Грибачев В.П. Элементная база аппаратных реализаций нейронных сетей // Компоненты и технологии. 2006. № 8. URL: https://kit-e.ru/elcomp/elementnaya-baza-apparatnyh-realizaczijnejronnyh-setej/

Заславский Ю.М., Заславский В.Ю. Акустический шум низколетящего квадрокоптера // Noise Theory and Practice. 2019. Т. 5, № 3 (17). С.21–27.

Зубова И.И., Батова Е.В. Влияние электромагнитных волн на организм человека // Актуальные проблемы естественнонаучного образования, защиты окружающей среды и здоровья человека. 2016. № 2. С.147–150.

Кавальчук А.Н., Петровский А.А. Формула для перехода из области частот к шкале барков и обратно // Информатика. 2011. № 4 (32). С.71–81.

Котов А.Н., Собисевич А.Л., Преснов Д.А., Жостков Р.А. Натурное изучение пространственновременных вариаций сейсмических шумов мегаполиса // Геофизика. 2021. № 2. С.82–88.

Нефѐдов Д.С., Пузанов А.Д. Оценка дальности обнаружения беспилотных летательных аппаратов акустической системой пассивной локации // Сб. статей 8 Международной научной конференции по военно-техническим проблемам, проблемам обороны и безопасности, использованию технологий двойного применения, Минск, 16–17 мая 2019. Минск: Лаборатория интеллекта, 2019. С.63–66. https://doi.org/10.31882/978-985-90490-8-8

Руденко О.В., Собисевич Л.Е., Собисевич А.Л. Электромагнитное поле вращающегося воздушного винта // Доклады Академии наук. 1996. Т. 351, № 2. С.260–263.

Собянин С.С. О штрафах и спецстоянках за ночные гонки. 08.09.2021. URL: http://www.

sobyanin.ru/o-shtrafah-za-nochnye-gonki

Тюняева М., Курашева А. “Почта России” начнет коммерческую эксплуатацию беспилотников в “ближайшие недели” // Ведомости. 15.06.2022. URL: http://www.vedomosti.ru/technology/ articles/2022/06/15/926731-pochta-nachnet-bespilotnikov

Шашурин М.М. Эффекты действия техногенных электромагнитных излучений и полей на живые организмы (обзор) // Наука и образование. 2015. № 3 (79). С.83–89.

Al-Emadi S., Al-Ali Abdulla, Al-Ali Abdulaziz. Audio-based drone detection and identification using deep learning techniques with dataset enhancement through generative adversarial networks // Sensors. 2021. V. 21, Iss. 15. Art. 4953. 26 p. https://doi.org/10.3390/s21154953

Aubret A., Matignon L., Hassas S. A survey on intrinsic motivation in reinforcement learning. URL: https://arxiv.org/abs/1908.06976 [Access date: 13.04.2023].

Blanchard T., Thomas J.-H., Raoof K. Acoustic localization and tracking of a multi-rotor unmanned aerial vehicle using an array with few microphones // J. Acoust. Soc. Amer. 2020. V. 148, N 3. P.1456–1467. https://doi.org/10.1121/10.0001930

Callanan J., Iqbal R., Adlakha R., Behjat A., Chowdhury S., Nouh M. Large-aperture experimental characterization of the acoustic field generated by a hovering unmanned aerial vehicle // J. Acoust. Soc. Amer. 2021. V. 150, N 3. P.2046–2057. https://doi.org/10.1121/10.0006369

Christian A.W., Cabell R. Initial investigation into the psychoacoustic properties of small unmanned aerial system noise // Proceedings of the 23rd AIAA/CEAS Aeroacoustics Conference. Denver, Colorado, 5–9 June 2017. 21 p. https://doi.org/10.2514/6.2017-4051



Costa R.P., Assael Y.M., Shillingford B., de Freitas N., Vogels T.P. Cortical microcircuits as gatedrecurrent neural networks // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, December 2017. P.271–282. https://doi.org/10.48550/arXiv.1711.02448

Djurek I., Petosic A., Grubesa S., Suhanek M. Analysis of a quadcopter’s acoustic signature in different flight regimes // IEEE Access. 2020. V. 8. P.10662–10670. https://doi.org/ 10.1109/ACCESS.2020.2965177

Flórez J., Ortega J., Betancourt A., García A., Bedoya M., Botero J.S. A review of algorithms, methods, and techniques for detecting UAVs and UAS using audio, radiofrequency, and video applications // TecnoLógicas. 2020. V. 23, N 48. P.269–285. https://doi.org/10.22430/22565337.1408

Glasberg B.R., Moore B.C.J. Derivation of auditory filter shapes from notched-noise data // Hearing

Research. 1990. V. 47, Iss. 1–2. P.103–138. https://doi.org/10.1016/0378-5955(90)90170-T

Gravirov V.V., Zhostkov R.A., Presnov D.A. Acoustic fields of unmanned aerial vehicles in the tasks of passive detection // J. Acoust. Soc. Amer. 2021. V. 149, N 4. P.A35. https://doi.org/ 10.1121/10.0004447

Gwak D.Y., Han D., Lee S. Sound quality factors influencing annoyance from hovering UAV // J. Sound Vibrat. 2020. V. 489. 16 p. https://doi.org/10.1016/j.jsv.2020.115651

Heutschi K., Ott B., Nussbaumer T., Wellig P. Synthesis of real world drone signals based on lab recordings // Acta Acust. 2020. V. 4, N 6. Art. 24. 10 p. https://doi.org/10.1051/aacus/2020023

Hochreiter S., Schmidhuber J. Long short-term memory // Neural Comput. 1997. V. 9, N 8. P.1735– 1780. https://doi.org/10.1162/neco.1997.9.8.1735

Kloet N., Watkins S., Clothier R. Acoustic signature measurement of small multi-rotor unmanned aircraft systems // Int. J. Micro Air Vehicles. 2017. V. 9, N 1. P. 3–14. https://doi.org/ 10.1177/1756829316681868

Luce R.D. Luce’s choice axiom // Scholarpedia. 2008. V. 3, N 12. Art. 8077. https://doi.org/ 10.4249/scholarpedia.8077

Matson E.T., Yang B., Smith A.H., Dietz J.E., Gallagher J.C. UAV detection system with multiple acoustic nodes using machine learning models // Third IEEE International Conference on Robotic Computing (IRC), Napoli, 25–27 February 2019. P.493–498. https://doi.org/

10.1109/IRC.2019.00103

Mezei J., Fiaska V., Molnár A. Drone sound detection // 16th IEEE International Symposium on Computational Intelligence and Informatics (CINTI), Budapest, 19–21 November 2015. P. 333–338. https://doi.org/10.1109/CINTI.2015.7382945

Qian Y., Wei Y., Kong D., Xu H. Experimental investigation on motor noise reduction of unmanned aerial vehicles // Appl. Acoust. 2021. V. 176. Art. 107873. 6 p. https://doi.org/10.1016/ j.apacoust.2020.107873

Sadasivan S., Gurubasavaraj M., Ravi Sekar S. Acoustic signature of an unmanned air vehicle – Exploitation for aircraft localisation and parameter estimation // Def. Sci. J. 2001. V. 51, N 3. P.279– 283. https://doi.org/10.14429/DSJ.51.2238

Sinibaldi G., Marino L. Experimental analysis on the noise of propellers for small UAV // Appl. Acoust. 2013. V. 74, N 1. P.79–88. https://doi.org/10.1016/j.apacoust.2012.06.011

Struye J., Latré S. Hierarchical temporal memory and recurrent neural networks for time series prediction: An empirical validation and reduction to multilayer perceptrons // Neurocomputing. 2020.

V. 396. P.291–301. https://doi.org/10.1016/j.neucom.2018.09.098

Taha B., Shoufan A. Machine learning-based drone detection and classification: State-of-the-art in re-

search // IEEE Access. 2019. V. 7. P.138669–138682. https://doi.org/10.1109/ ACCESS.2019.2942944

Tong J., Hu Y.-H., Bao M., Xie W. Target tracking using acoustic signatures of light-weight aircraft propeller noise // IEEE China Summit and International Conference on Signal and Information

Processing, Beijng, 06–10 July 2013. P.20–24. https://doi.org/10.1109/ ChinaSIP.2013.6625289

Torija A.J., Self R.H., Lawrence J.L.T. Psychoacoustic characterisation of a small fixed-pitch quadcopter // INTER-NOISE and NOISE-CON Congress and Conference Proceedings, InterNoise19, Madrid, 16–19 June 2019. P.1884–1894.

Torija A.J., Li Zh., Self R.H. Effects of a hovering unmanned aerial vehicle on urban soundscapes perception // Transport. Res. D. 2020. V. 78. Art. 102195. https://doi.org/10.1016/ j.trd.2019.11.024

Tzinis E., Wisdom S., Hershey J.R., Jansen A., Ellis D.P.W. Improving universal sound separation using sound classification // IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, 04–08 May 2020. P. 96–100. https://doi.org/10.1109/ ICASSP40776.2020.9053921

Wen W., Chen Y., Li H., He Y., Rajbhandari S., Zhang M., Wang W., Liu F. Hu B. Learning intrinsic sparse structures within long short-term memory // 6th International Conference on Learning Representations, Vancouver, April 30 – May 3, 2018. 11 p. https://doi.org/10.48550/ arXiv.1709.05027

Wulandari M., Basari, Gunawan D. Evaluation of wavelet transform preprocessing with deep learning aimed at palm vein recognition application // AIP Conf. Proc. 2019. V. 2193, Iss. 1. Art. 050005. 9 p. https://doi.org/10.1063/1.5139378

Zheng F., Zhang G., Song Zh. Comparison of different implementations of MFCC // J. Comput. Sci. Tech. 2001. V. 16, Iss. 6. P.582–589. https://doi.org/10.1007/BF02943243

Zwicker E. Subdivision of the audible frequency range into critical bands // J. Acoust. Soc. Amer.

1961. V. 33, N 2. P.248. https://doi.org/10.1121/1.1908630