A New Depth Classification Method based on Underwater Acoustics for Naval Defense Applications

Orhan YAMAN; Emrah AYDEMİR

doi:https://doi.org/10.31590/ejosat.1001051

Article Details

A New Depth Classification Method based on Underwater Acoustics for Naval Defense Applications

Authors:

Orhan YAMAN | Emrah AYDEMİR

Publisher:

Osman SAĞDIÇ

Main Topics:

Applied physics

Journal:

European Journal of Science and Technology 2021 Vol. Issue 31, pp.1-7

Document Type:

Article

Publication Date:

12/2021

Document Language:

English

Document ID (Org No.):

2000915880

Frequency:

Quarterly

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1001051

Keywords:

Abstract:

 

The main purpose of this research is to present an automatic underwater acoustic classification model with high performance. Thus, a new sound dataset was collected. By using this dataset, a new underwater depth classification method is proposed in this work. Average pooling has been used to pre-processing underwater sounds. The used average pooling model is both removed the noises and compressed signal. S-transform and AlexNet have been used for feature extraction. By deploying S-transform to underwater sounds, contour images have been obtained. These images have been utilized input of the AlexNet. Herein, AlexNet has been utilized to extract features by using transfer learning. Features extracted have been classified with the Support Vector Machine (SVM). In our method, 99.05% accuracy has been calculated. The calculated results and findings obviously illustrate the success of our proposed S-transform and AlexNet based model on the underwater sound classification.

 

Bu araştırmanın temel amacı, yüksek performanslı otomatik bir sualtı akustik sınıflandırma modeli sunmaktır. Böylece yeni bir ses veri seti toplanmıştır. Bu veri seti kullanılarak, bu çalışmada yeni bir sualtı derinlik sınıflandırma yöntemi önerilmiştir. Sualtı seslerinin ön işlemesi için ortalama havuzlama kullanılmıştır. Kullanılan ortalama havuzlama modeli hem gürültüleri hem de sıkıştırılmış sinyali ortadan kaldırmıştır. Özellik çıkarımı için S-dönüşüm ve AlexNet kullanılmıştır. S-dönüşümünün su altı seslerine yerleştirilmesiyle kontur görüntüleri elde edilmiştir. Bu görüntüler AlexNet'in girdisi olarak kullanılmıştır. Burada, transfer öğrenme kullanılarak öznitelikleri çıkarmak için AlexNet kullanılmıştır. Çıkarılan özellikler Destek Vektör Makinesi (SVM) ile sınıflandırılmıştır. Bizim yöntemimizde %99,05 doğruluk hesaplanmıştır. Hesaplanan sonuçlar ve bulgular, su altı ses sınıflandırmasında önerilen S-dönüşüm ve AlexNet tabanlı modelimizin başarısını açıkça göstermektedir.

Article Details

A New Depth Classification Method based on Underwater Acoustics for Naval Defense Applications

Authors:

Orhan YAMAN | Emrah AYDEMİR

Publisher:

Osman SAĞDIÇ

Main Topics:

Applied physics

Journal:

European Journal of Science and Technology 2021 Vol. Issue 31, pp.1-7

Document Type:

Article

Publication Date:

12/2021

Document Language:

English

Document ID (Org No.):

2000915880

Frequency:

Quarterly

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1001051

Sualtı ses sınıflandırması

S-dönüşümü

Derin Öğrenme

AlexNet

SVM

Issues

Article Details

A New Depth Classification Method based on Underwater Acoustics for Naval Defense Applications

Authors: Orhan YAMAN | Emrah AYDEMİR

Publisher: Osman SAĞDIÇ

Main Topics: Applied physics

Journal: European Journal of Science and Technology 2021 Vol. Issue 31, pp.1-7

Document Type: Article

Publication Date: 12/2021

Document Language: English

Document ID (Org No.): 2000915880

Frequency: Quarterly

eISSN: 2148-2683

DOI: https://doi.org/10.31590/ejosat.1001051

Sualtı ses sınıflandırması

S-dönüşümü

Derin Öğrenme

AlexNet

SVM

Issues

Authors:

Orhan YAMAN | Emrah AYDEMİR

Publisher:

Osman SAĞDIÇ

Main Topics:

Applied physics

Journal:

European Journal of Science and Technology 2021 Vol. Issue 31, pp.1-7

Document Type:

Article

Publication Date:

12/2021

Document Language:

English

Document ID (Org No.):

2000915880

Frequency:

Quarterly

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1001051