ОПТИМІЗАЦІЯ АЛГОРИТМУ ВИЗНАЧЕННЯ КООРДИНАТ ДЖЕРЕЛА АКУСТИЧНОГО СИГНАЛУ ЗА КРИТЕРІЄМ МІНІМУМУ ПОХИБКИ

С. І.  Артемук; І. П.  Микитин

doi:10.32684/2412-5288-2023-2-23-41-51

С. І. Артемук Національний університет «Львівська політехніка» https://orcid.org/0000-0003-4279-7065
І. П. Микитин Національний університет «Львівська політехніка» https://orcid.org/0000-0002-7157-3725

DOI: https://doi.org/10.32684/2412-5288-2023-2-23-41-51

Ключові слова: штучна нейронна мережа, глибоке навчання, визначення координат джерела сигналу, акустич-ний сигнал, точність локації, оптимізація нейронних мереж, машинне навчання

Анотація

В даній роботі проведено дослідження зміни похибки визначення координат джерела акустичного сигналу в залежності від різних параметрів розроблених програмно-математичних моделей для навчання нейронної мережі. Авторами визначено оптимальні значення цих параметрів за критерієм мінімуму похибки.

Із використанням оптимізованих параметрів навчено нейронну мережу і оцінено її точність на двох наборах даних: ті, що використовувалися для навчання і ті, що нейронній мережі невідомі. В обох випадках нейронна мережа продемонструвала хороші результати. За результатами дослідження встановлено, що середнє значення модуля абсолютної похибки оптимізованої системи складає 6,7681 × 10^-5 м за координатою Y та 6,6120 × 10^-5 м за координатою X.

Завантаження

Дані завантаження ще не доступні.

| Переглядів анотації: 48 | Завантажень PDF: 28 |

Посилання

Artemuk, S, Mykytyn, I. (2022). Methods of determining the coordinates of the acoustic signal source, Visnyk Cherkaskogo derzhavnogo tehnologichnogo universitetu, 3, 59-72. https://doi.org/10.24025/2306-4412.3.2022.260586. [in Ukrainian].

Miao, F., Yang, D., Wen, J., Lian, X. (2016). Moving sound source localization based on triangulation method, Journal of Sound and Vibration, 385, 93-103. https://doi.org/10.1016/j.jsv.2016.09.001.

D’Orazio, D., Garai, M. (2017). The autocorrelation-based analysis as a tool of sound perception in a reverberant field, Rivista di estetica, 66, 133-147. https://doi.org/10.4000/estetica.3234.

Fan, J., Luo, Q., Ma, D. (2010). Localization estimation of sound source by microphones array, Procedia Engineering, 7, 312-317. https://doi.org/10.1016/j.proeng.2010.11.050.

Chung, M.-A., Chou, H.-C., Lin, C.-W. (2022). Sound Localization Based on Acoustic Source Using Multiple Microphone Array in an Indoor Environment, Electronics, 11/6, 1-12. https://doi.org/10.3390/electronics11060890.

Cheng, B., Wu, J. (2023). Acoustic TDOA Measurement and Accurate Indoor Positioning for Smartphone, Future Internet, 15/7, 240. https://doi.org/10.3390/fi15070240.

Kowalska-Styczeń, A., Peleshchak, R., Lytvyn, V., Peleshchak, I., Dyriv, A., & Danylyk V. (2022). Automatic Identification of Sound Source Position Coordinates Using a Sound Metric System of Sensors Linked with an Internet Connection, Symmetry, 14 (11):2338. https://doi.org/10.3390/sym14112338.

Zhao, Y. (2021). Study on Optimization Method of Hidden Layer Nodes and Training Times in Artificial Neural Network, 2021 International Conference on Electronic Information Technology and Smart Agriculture (ICEITSA), 389-392, Huaihua, China. https://doi.org/10.1109/ICEITSA54226.2021.00081.

Chen, J., Liu, Y., (2022). Neural Optimization Machine: A Neural Network Approach for Optimization, arXiv:2208.03897, 1-22. https://doi.org/10.48550/arXiv.2208.03897.

Syberfeldt, A., Vuoluterä, F. (2020). Image Processing based on Deep Neural Networks for Detecting Quality Problems in Paper Bag Production, Procedia CIRP, 93, 1224-1229. https://doi.org/10.1016/j.procir.2020.04.158.

Khurana, D., Koli, A., Khatter, K. (2023). Natural language processing: state of the art, current trends and challenges, Multimed Tools Applications, 82, 3713–3744. https://doi.org/10.1007/s11042-022-13428-4.

Amato, F., López-Rodríguez, A., Peña-Méndez, E., Vaňhara, P. (2013). Artificial neural networks in medical diagnosis, J Appl Biomed, 11, 47-58. http://dx.doi.org/10.2478/v10136-012-0031-x.

Artemuk, S., Mykytyn, I. (2023). System for determining the coordinates of the acoustic signal source based on the difference-time method and machine learning methods, Measuring and computing devices in technological processes, 3, 7-18. https://doi.org/10.31891/2219-9365-2023-75-1. [in Ukrainian].

Diaz, G., Fokoue, A., Nannicini, G., Samulowitz, H. (2017). An effective algorithm for hyperparameter optimization of neural networks, IBM Journal of Research and Development, 61, 1-11. http://dx.doi.org/10.1147/JRD.2017.2709578.

Mehmood, F., Ahmad, S., Whangbo, TK. (2023). An Efficient Optimization Technique for Training Deep Neural Networks, Mathematics, 11 (6), 1360. https://doi.org/10.3390/math11061360.

Talaat, F.M., Gamel, S.A. (2023). RL based hyper-parameters optimization algorithm (ROA) for convolutional neural network, Journal of Ambient Intelligence and Humanized Computing, 14, 13349–13359. https://doi.org/10.1007/s12652-022-03788-y.

Murugan, P., Durairaj, S. (2017). Regularization and Optimization strategies in Deep Convolutional Neural Network, arXiv:1712.0471115, 1-15. https://doi.org/10.48550/arXiv.1712.04711.

The MathWorks Inc. (2023). Levenberg-Marquardt backpropagation. https://www.mathworks.com/help/deeplearning/ref/trainlm.html.

The MathWorks Inc. (2023). BFGS quasi-Newton backpropagation. URL: https://www.mathworks.com/help/deeplearning/ref/trainbfg.html.

The MathWorks Inc. (2023). Resilient backpropagation. URL: https://www.mathworks.com/help/deeplearning/ref/trainrp.html.

The MathWorks Inc. (2023). Scaled conjugate gradient backpropagation. URL: https://www.mathworks.com/help/deeplearning/ref/trainscg.html.

The MathWorks Inc. (2023). Conjugate gradient backpropagation with Powell-Beale restarts. URL: https://www.mathworks.com/help/deeplearning/ref/traincgb.html.

The MathWorks Inc. (2023). Conjugate gradient backpropagation with Fletcher-Reeves updates. URL: https://www.mathworks.com/help/deeplearning/ref/traincgf.html.

The MathWorks Inc. (2023). Conjugate gradient backpropagation with Polak-Ribiére updates. URL: https://www.mathworks.com/help/deeplearning/ref/traincgp.html.

The MathWorks Inc. (2023). One-step secant backpropagation. URL: https://www.mathworks.com/help/deeplearning/ref/trainoss.html.

The MathWorks Inc. (2023). Gradient descent with momentum and adaptive learning rate backpropagation. URL: https://www.mathworks.com/help/deeplearning/ref/traingdx.html.