Rozpoznávání ultrazvukových signálů pomocí konvolučních neuronových sítí

Abstract

V této práci jsou shrnuty základní architektury neuronových sítí a možnosti použití vrstevnatých a konvolučních neuronových sítí (CNN) na rozpoznávání ultrazvukových signálů. Za tímto účelem jsou porovnávány architektury, které se navzájem liší hodnotami užitých hyper-parametrů. Těmi jsou například celkový počet neuronů v síti spolu s počtem použitých vrstev. Dále je znázorněn přínos použití L2 regularizace, dropoutu a svazkové normalizace za účelem potlačení přeučení sítě. V případě CNN jsou pak tyto regularizace porovnávány zvlášt pro konvoluční i vrstevnatou část sítě. Použití CNN je umožněno zpracováním ultrazvukového signálu pomocí časo-frekvenční transformace. Za tímto účelem byl testován tzv. HFD spektrogram, pomocí kterého byly ultrazvukové signály transformovány do tenzorové podoby s využitím různě volených parametrů. Na takto transformovaných signálech byly úspěšně testovány CNN pro identifikaci 11 různých letových režimů vrtulníku.

The project summarizes basic architectures of neural networks and possible usage of dense and convolutional neural networks (CNN) for recognition of ultrasonic signals. For this purpose various architectures are compared using difřerent hyper-parameters, e.g. total amount of neurons together with a number of used layers. Furthermore, the project shows benefits of using L2 regularization, dropout and batch normalization in order to reduce over-fitting. In case of CNN these techniques are compared individually both for convolutional and dense part of a network. Usage of CNN is possible thanks to processing signals using a time-frequency transformation. For this purpose HFD spectrogram was tested. This transformation was then used for transforming ultrasonic signals to a tensor form using many diverse parameters. CNN were successfully tested on signals transformed by this transformation for recognition of 11 various flight modes.