Your browser does not support JavaScript!

Διδακτορικές διατριβές

Τρέχουσα Εγγραφή: 2 από 10

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000423989
h
Τίτλος Acoustic signal characterization using hidden markov models with applications in acoustical oceanography
Άλλος τίτλος Στατιστικός χαρακτηρισμός ακουστικών σημάτων με χρήση κρυπτο-μαρκοβιανών μοντέλων και εφαρμογές στην ακουστική οκεανογραφία
Συγγραφέας Σμαραγδάκης, Κωνσταντίνος
Σύμβουλος διατριβής Ταρουδάκης, Μιχαήλ
Μέλος κριτικής επιτροπής Μακράκης, Γεώργιος
Τσόγκα, Χρυσούλα
Dosso, Stan
Χαρμανδάρης, ευάγγελος
Σκαρσούλης, Εμμανουήλ
Τζαγκαράκης, Γεώργιος
Περίληψη Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη ενός νέου πιθανοθεωρητικού σχήματος για τον χαρακτηρισμό ακουστικών σημάτων που καταγράφονται στο θαλάσσιο περιβάλλον, με εφαρμογές στην ακουστική ωκεανογραφία. Το σχήμα στοχεύει στον ορισμό ενός συνόλου χαρακτηριστικών που θα χαρακτηρίζουν ένα σήμα με μοναδικό τρόπο. Για το σκοπό αυτό, ένα σήμα αρχικά αποσυντίθεται σε πολλαπλά επίπεδα χρησιμοποιώντας το στατικό μετασχηματισμό κυματιδιακών πακέτων (Stationary Wavelet Packet Transform). Η αποσύνθεση παρέχει μια χρονό-συχνοτική ανάλυση των χαρακτηριστικών του σήματος. Οι συντελεστές κυματιδιακών πακέτων του σήματος στα διάφορα επίπεδα περιγράφονται στη συνέχεια από ένα κρυπτό-Μαρκοβιανό μοντέλό (left-to- right Hidden Markov Model) με κανονικές κατανομές εκπομπών (Gaussian emission distributions). Η ιδέα πίσω τη χρήση μιας ακολουθιακής μοντελοποίησης των εξαγόμενων συντελεστών του σήματος βασίζεται στο γεγονός ότι ένα σήμα μετά τη διάδοση σε ένα μέσο διασποράς όπως είναι το θαλάσσιο περιβάλλον, παρουσιάζει εξελισσόμενα χρονο-συχνοτικά χαρακτηριστικά. Η αντιστοίχιση ενός σήματος με ένα αντιπροσωπευτικό κρυπτό- Μαρκοβιανό μοντέλο πραγματοποιείται με χρήση του αλγόριθμου Expectation-Maximization (EM). Τελικά το ακουστικό σήμα χαρακτηρίζεται από ένα σύνολο παραμέτρων που περιγράφουν το κρυπτό-Μαρκοβιανό μοντέλο. Η προτεινόμενη μέθοδος χαρακτηρισμού ακουστικών σημάτων εφαρμόζεται στα πλαίσια της παρούσας διατριβής σε αντίστροφα προβλήματα ακουστικής ωκεανογραφίας. Συγκεκριμένα, σε προβλήματα που σχετίζονται με την ανάκτηση των θαλάσσιων περιβαλλοντικών παραμέτρων με τη χρήση μετρήσεων του ακουστικού πεδίου που παράγεται από μια υποβρύχια ακουστική πηγή. Αυτά τα προβλήματα είναι εν γένη μη γραμμικά και επιλύονται με μεθόδους βελτιστοποίησης συγκρίνοντας τα χαρακτηριστικά του μετρούμενου ακουστικού σήματος με τα αντίστοιχα συνθετικών σημάτων που παράγονται επιλύοντας το ευθύ πρόβλημα της ακουστικής διάδοσης μέσα από ένα εύρος πιθανών τιμών των προς ανάκτηση παραμέτρων . Η σύγκριση πραγματοποιείται μέσω κατάλληλης μετρικής που αποτυπώνει το βαθμό ομοιότητας δυο σημάτων που χαρακτηρίζονται με την πιθανοθεωρήτικη μέθοδο που υιοθετήθηκε. Σε αυτή την εργασία ως το μέτρο ομοιότητας δύο σημάτων χρησιμοποιείται η απόκλιση Kullback-Leibler (Kullback-Leibler Divergence) συγκρίνοντας τα αντίστοιχα κρυπτό- Μαρκοβιανά τους μοντέλα. Για να μελετήσουμε την απόδοση του προτεινόμενου σχήματος χαρακτηρισμού, παρουσιάζονται μερικές χαρακτηριστικές εφαρμογές αντιστροφής χρησιμοποιώντας τόσο συνθετικά όσο και πραγματικά δεδομένα. Προκειμένου να γίνει αποδοτική αναζήτηση από το χώρο ερέυνης για τον υπολογισμό βέλτιστων λύσεων του αντιστρόφου προβλήματος χρησιμοποιήθηκε Γενετικός Αλγόριθμος. Οι παράμετροι που περιέχονται στο τελικό πληθυσμό του γενετικού αλγορίθμου περιγράφονται χρησιμοποιώντας ένα μοντέλο Gaussian Mixture (GMM). Αυτή η αναπαράσταση παρουσιάζει τις πιθανές λύσεις των αντίστροφων προβλημάτων με τη μορφή περιθωρίων κατανομών (marginal distributions) προσφέροντας μια ποιοτική ένδειξη των διαστημάτων εμπιστοσύνης των ανακτώμενων παραμέτρων. Τα αποτελέσματα συγκρίνονται με εκείνα που λαμβάνονται χρησιμοποιώντας τον Στατιστικό Χαρακτηρισμό Ακουστικών Σημάτων που έχει προταθεί από τον Ταρουδάκη και συνεργάτες. Επιπλέον, τα αποτελέσματα που αντιστοιχούν στα πειραματικά πραγματικά δεδομένα συγκρίνονται με διάφορες προσεγγίσεις άλλων ερευνητών από τη βιβλιογραφία. Οι εφαρμογές που παρουσιάστηκαν εδώ επιβεβαίωσαν την αξιοπιστία και την αποτελεσματικότητα της μεθόδου όταν εφαρμόστηκε σε τυπικά σήματα που χρησιμοποιούνται στην ακουστική ωκεανογραφία.
Φυσική περιγραφή 193 σ. : εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Machine learning
Probabilistic models
Ακουστική διάδοση
Μηχανική μάθηση
Πιθανοθεωρητικά μοντέλα
Ημερομηνία έκδοσης 2019-07-26
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Εφαρμοσμένων Μαθηματικών--Διδακτορικές διατριβές
  Τύπος Εργασίας--Διδακτορικές διατριβές
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/4/4/d/metadata-dlib-1564131596-73724-5318.tkl Bookmark and Share
Εμφανίσεις 803

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 21