CC BY
66
2009
Известия ТИНРО
Том 158
УДК 534.222.2:639.281.8
Р.Н. Алифанов, Е.В. Осипов, П.А. Стародубцев*
Дальневосточный государственный технический рыбохозяйственный университет, 690087, г. Владивосток, ул. Луговая, 52б
ИНФОРМАЦИОННАЯ СИСТЕМА ДЛЯ ИДЕНТИФИКАЦИИ СИГНАЛОВ КАМЧАТСКОГО КРАБА НА ОСНОВЕ МЕТОДОВ НЕЙРОННЫХ СЕТЕЙ
Представлен анализ технических недостатков в технологических схемах, используемых в настоящее время в рыбной отрасли. Приведены современные направления их совершенствования, методика и технические решения комплексного использования пассивной акустики и активной гидролокации для распознавания и идентификации крабовых скоплений или отдельных особей с использованием достижений современных нейросетей, представляющих собой современный компьютерный модуль с наличием листинговых программных документов. Все это позволяет обнаруживать и распознавать в принятых сигналах крабовые скопления по их видовой, сезонной и функциональной принадлежности. Нейронная схема функционирования представлена последовательностью операций автоматического выделения участков с сигналами выше уровня шума, передачи образа сигнала в нейронную сеть и сравнения сигналов нейронной сети с реальными сигналами, записанными в контрольных и морских условиях. Все это дает возможность выделять опорные сигналы, которые присутствуют постоянно, издаются крабами при передвижении и в состоянии покоя. Экспериментально подтверждено, что информационная система по определения краба, основанная на нейросетях, позволяет определить звук краба, а в случае помех выделить его из общего тона. Анализ результатов работы информационной системы в целом показывает возможность ее использования как современной технологии с расширением возможностей стандартных шумо-пеленгаторных гидроакустических рыбопоисковых систем.
Ключевые слова: распознавание, идентификация, крабовые скопления, нейронная схема, информационная система.
Alifanov R.N., Osipov E.V., Starodubtsev P.A. Information system for identification acoustic signals from king crab on the basis of neural network // Izv. TINRO. — 2009. — Vol. 158. — P. 356-360.
Technological schemes of acoustic signals identification used in fisheries are reviewed critically. Modern directions of their improvement are presented; methods and technical decisions of complex using both passive acoustics and active sonar for recognition and identification of crab concentrations and single specimens are described with attraction to neural network that includes computer module and datasheet software. This tool allows to find and recognize the crabs from specific, seasonal, or functional features of acoustic signals. The neural network functioning consists in succession of procedures with automatic separation the signals with level above noise and issue of their images to the neural network where they are compared with
* Алифанов Роман Николаевич, старший преподаватель, e-mail: gidra_518@ mail.ru; Осипов Евгений Валерьевич, кандидат технических наук, доцент, e-mail: [email protected]; Стародубцев Павел Анатольевич, доктор технических наук, профессор, e-mail: [email protected].
standard images recorded in control and natural conditions. As the result, the specific signals are selected, which always accompany the crabs and are produced by them in the time of moving or rest. This ability is confirmed in experiments. The proposed information system allows to extend the potentialities of standard submarine acoustic devices.
Key words: acoustic signal, neural network, king crab.
Введение
Для поиска скоплений краба в рыбной отрасли РФ в настоящее время применяются достаточно прогрессивные гидроакустические технологии: пассивные (шумопеленгаторные) и традиционные активные (гидролокационные). Однако использование активных гидролокационных технологий для поисков краба затруднительно, поскольку он находится у дна и отражающая способность акустических сигналов близка к нулю, что мешает идентификации. Пассивные технологии основаны на том, что крабы в воде создают звуковые сигналы, которые могут передаваться на большие расстояния. Источники шумоизлучения у крабов в основном механорецепторные. Они представляют собой слуховые пузырьки, небольшие сосудики с жидкостью и маленькими частицами песка (Алифанов и др., 2003).
Цель настоящей работы — разработка информационной системы для идентификации крабов.
Результаты и их обсуждение
Применение пассивных технологических решений в практике промысла затруднено отсутствием методик распознавания и идентификации их скоплений или отдельных экземпляров. Для технологического решения задачи распознавания и идентификации обнаруженных в морской среде сигналов скоплений крабов в рамках НИР (Алифанов, Осипов, 2002) была разработана информационная система с использованием современных нейронных сетей (рис. 1).
\ ь 2 3 4
I * w W
Рис. 1. Схема функционирования информационной системы: 1 — гидрофон; 2 — звуковая карта; 3 — программа; 4 — дисплей
Fig. 1. Scheme of a signal processing by information system: 1 — hydrophone; 2 — sound card; 3 — software; 4 — display
Информационная система состоит из следующих элементов: 1 — звено системы автоматического выделения участков с сигналами продолжительностью 0,5 с, которые были выше уровня шума (Слизкин, 2000); 2 — звено передачи образа сигнала в нейронную сеть; 3 — звено аналогии сигналов нейронной сети реальным сигналам с нахождением похожих и определения вероятности соответствия их запомненным от реального краба.
Для работы информационной системы была разработана нейронная сеть, имеющая в программе три слоя (рис. 2): входной, скрытый и выходной.
Предложенная нейронная сеть математически описывалась выражением
S = jr œ,x, ; y = 1/(l-e~{S-e)), (1)
i=\
где S — уровень возбуждения нейрона; xv x2, ..., xn — набор входных сигналов; fflp fflp ..., œn — аналог эффективности синапса (вес связи); в — некоторое постоянное смещение (аналог порога нейрона); y — выходной сигнал нейрона.
Ю1
гт—►
» » •
Xn-^U,
а)
Рис. 2. Нейронная сеть: а — искусственный нейрон; б — схема нейронной сети
Fig. 2. A neural network: a — artificial neuron; б — scheme of the network
"Обучение" данной нейронной сети осуществлялось с помощью эталонных сигналов методом обратного распространения ошибки. В качестве эталонных сигналов были использованы записи шумоизлучения крабов в бассейнах на борту судна "Восток-1" в 1998 г. и в морских условиях с борта подводного аппарата ТИНРО-центра "ТЕТИС" в 1987 г.
Для проверки разработанной информационной системы проводились экспериментальные исследования (Алифанов и др., 2003): запись сигналов, их оцифровка и определение вероятности принадлежности сигналов камчатскому крабу. После выборки снюрревода подсчитывалось количество камчатского краба в улове.
Анализ шумоизлучения крабов позволил выделить их опорные сигналы, которые присутствовали постоянно, издавались ими при передвижении и в состоянии покоя. При этом считалось, что вероятность совпадения этих звуков со звуками, издаваемыми другими гидробионтами и искусственными излучателями, была незначительна (Алифанов, Осипов, 2002). Общий спектр излучений занимал диапазон частот 50-20480 Гц, а наиболее интенсивные сигналы находились в диапазоне 403-5120 Гц и имели длительность звучания 0,003-0,30 с. Проведенный краткий анализ сигналов в частотно-временном аспекте (Алифанов, Осипов, 2002) показал, что они все разные и для каждого случая надо иметь соответствующую базу данных.
Для решения задачи идентификации крабов в информационной системе (см. рис. 1) использовалась методика И.Н. Каневского и Е.В. Осипова (2002), в которой была изменена система передачи информации в нейронную сеть и добавлен специальный фильтр исходного сигнала (рис. 3).
Рис. 3. Алгоритм программы для поиска крабов:
1 — фильтр; 2 — система -►
выбора блока; 3 — Фурье-преобразователь; 4 — нейронная сеть
Fig. 3. Algorithm of the program for crabs searching: 1 — filter; 2 — block choice system; 3 — Fourier converter; 4 — neural network
В отличие от исходной методики (Каневский, Осипов, 2002), в нейронную сеть, предложенную авторами, передается образ, который представляется в виде множества координат (x, y) его контура. Координатное описание контура представляется комплексным числом
z (n ) = х (n ) + jy (n ), (2)
где n — номер очередной пары измерительных данных, описывающих образ. Для их обработки будем использовать дискретное преобразование Фурье:
1 2 3 4
W W W
M-1
Fk=F (k )=Xz (n )exp
,2k , -]—kn M
\
для k = 1,2,..,M -1,
где М — количество точек описания структуры; г(п) — комплексное число, определенное выражением (2); к — количество пар; j — мнимая единица в комплексных числах. Отдельные компоненты преобразования Фурье образуют вектор И:
Р = [[0 , Ри-1 ].
Этот вектор также может определять структуру образа, но в совершенно другом пространстве параметров. Компоненты этого описания позволяют преобразовывать данные независимо от их положения, масштаба, угла поворота. Используя значения вектора И, можно восстановить форму кривой с помощью обратного преобразования Фурье.
Для унификации процесса обработки и идентификации данных необходимо было задаваться количеством наиболее значимых компонентов этого преобразования. Согласно теории преобразования Фурье, для отображения структуры наиболее значимыми компонентами считаются пары координат и Рм_х, следующими — и ИМ_2 и т.д. Затем вектор И передается на вход нейронной сети (Прогрессивные методы ..., 1999).
При настройке системы вычислялась сумма квадратичной ошибки, которая была равна 0,6*10-4 и зависела от количества нейронов по слоям и количества итераций.
На рис. 4 показан исходный сигнал и обработанный фильтром.
n=0
Рис. 4. Сигналы крабов: а — исходный; б — после обработки фильтром
Fig. 4. Signals of crabs: а — initial signal; б — the signal after processing by filter
В таблице показаны результаты работы методики И.Н. Каневского и Е.В. Осипова (2002) и методики, предложенной авторами.
Результаты испытаний методик идентификации крабов Results of tests
№ Кол-во Вероятность наличия крабов
замета особей, Методика И.Н. Каневского Новая методика
% и Е.В. Осипова (2002)
1 13 0,55 0,80
2 18 0,65 0,86
3 19 0,70 0,88
4 33 0,85 0,94
5 17 0,62 0,86
Из данных таблицы видно, что новая методика позволяет лучше распознать сигналы краба, при этом количество информации, поступающей на нейронную сеть за счет блоков 1 и 3 (см. рис. 3), уменьшается в 2,5-3,0 раза.
Выводы
На основании предложенной системы обнаружения крабов с применением методик предварительной обработки и идентификации акустического сигнала были сделаны следующие выводы.
Информационная система определения наличия краба, основанная на ней-росетях, позволяет определить шумоизлучение краба, а в случае помех выделить его из общего тона.
Анализ результатов работы информационной системы в целом показывает возможность ее использования как современной технологии с расширением возможностей стандартных шумопеленгаторных гидроакустических рыбопоисковых систем.
Список литературы
Алифанов Р.В., Осипов Е.В. Определение опорных звуков камчатского краба для создания приборов и алгоритмов его обнаружения // Тр. Дальрыбвтуза. — 2002. — Вып. 15, ч. 2. — С. 53-54.
Алифанов Р.Н., Бахарев С.А., Карасев В.В., Осипов Е.В. Экспериментальные исследования системы по обнаружению крабов // Мат-лы Всерос. межвуз. конф. ТОВ-МИ. — 2003. — Т. 1. — С. 5-7.
Каневский И.Н., Осипов Е.В. Методика автоматизированного распознавания крабов // Тр. Камчат. ГТУ. — 2002. — № 1. — С. 84-87.
Прогрессивные методы поиска и промысла беспозвоночных. — Владивосток : Дальрыбвтуз, 1999. — 120 с.
Слизкин А.Г. Промысловые крабы прикамчатских вод : монография / А.Г. Слиз-кин, С.Г. Сафронов. — Петропавловск-Камчатский : Северная Пацифика, 2000. — 180 с.
Поступила в редакцию 23.03.09 г.
