28637

استخراج ويژگي و افزايش داده در سيستم‌‌هاي صوتي جهت آشكارسازي ريزپرنده‌ها با شبكه عصبي يك‌بعدي

كارشناسي ارشد

مهندسي برق-سيستم هاي الكترونيك ديجيتال

1398

1402/03/23

دكتر ستار ميرزاكوچكي

مهندسي برق

چكيده در سال‌‌هاي اخير، ريزپرنده¬ها نه‌تنها براي اهداف تفريحي بلكه در كاربرد‌هاي روزمره در مهندسي، پزشكي، تداركات و امنيت به‌طور گسترد‌ه‌اي مورداستفاده قرار مي¬گيرند. علاوه بر كاربرد‌هاي مفيد آن‌ها، به دليل پتانسيل استفاده از آن‌ها در فعاليت‌‌هاي مخرب، دغدغه نگران‌كننده‌اي در مورد امنيت زيرساخت فيزيكي، ايمني و حريم خصوصي ايجاد شده است. در اين پژوهش، در گام اول، ويژگي‌هاي MFCC، GFCC، BFCC و LFCC از برش يك‌ثانيه‌اي صداي محيط را استخراج مي¬شوند. سپس، با استفاده از روش¬هاي داده‌افزايي، مجموعه داده نامتوازن متعادل مي¬شود. در گام نهايي، با به‌كارگيري روش‌هاي يادگيري ماشين (SVM و KNN) و آموزش با مجموعه داده موجود، ريزپرنده‌ها در محيط تشخيص مي‌شوند. در اين حالت، دقت با استفاده از الگوريتم KNN به 86.97 درصد رسيد. همچنين، با استفاده از شبكه عصبي يك‌بعدي پيشنهادي در دو حالت تشخيص وجود ريزپرنده و شناسايي نوع ريزپرنده، مجموعه داده را طبقه‌بندي نموديم. پس از طي شدن مراحل آموزش شبكه با ويژگي MFCC، دقت شبكه عصبي پيشنهادي براي تشخيص ريزپرنده به 98.38 درصد و براي شناسايي ريزپرنده به 98.73 درصد رسيد. اين نتايج نشان مي‌دهند كه رويكرد پيشنهادي در تشخيص و شناسايي ريزپرنده‌ها به حل نگراني‌هاي امنيتي مرتبط با استفاده از آن‌ها كمك مي‌كند و روش‌هاي پيشين را بهبود مي‌دهد.

1402/06/07

Feature extraction and data augmentation in Audio Systems for Drone detection based on 1d-Neural Network

1/1/1900 12:00:00 AM

In recent years, drones have gained widespread popularity, being utilized not only for recreational purposes but also in various fields such as engineering, medicine, logistics, and security. While drones offer valuable applications, concerns have emerged regarding the security, safety, and privacy of physical infrastructure due to their potential misuse. This research addresses these concerns by employing a multi-step approach. Initially, we extract distinct features including MFCC, GFCC, BFCC, and LFCC from a one-second segment of ambient sound. To address data imbalances, data augmentation methods are employed to achieve a balanced dataset. Subsequently, machine learning techniques, specifically SVM and KNN algorithms, are employed to train and recognize drones within the environment. Our results indicate an accuracy of 86.97% using the KNN algorithm. Furthermore, we propose a one-dimensional neural network that classifies the dataset into two categories: detecting the presence of drones and identifying the drone type. After training the network with MFCC features, the accuracy of the proposed neural network for drone detection reached 98.38%, and for drone identification, it achieved an accuracy of 98.73%. These findings demonstrate the effectiveness of our approach in detecting and identifying drones, addressing the security concerns associated with their usage.

استخراج ويژگي , داده‌افزايي , MFCC , يادگيري ماشين , شبكه عصبي يك‌بعدي

Feature Extraction , Data Augmentation , MFCC , Machine Learning , one-dimensional neural network

Mohammad Reza Abbasi

Dr. Sattar Mirzakuchaki