مقاله تشخیص منابع صوتی فرکانس پایین با استفاده از ژئوفون

بخشی از مقاله

چکیده

 استفاده از حسگرهای لرزهای - ژئوفون ها - مزایای بیشتری نسبت به سایر حسگرها در تشخیص امواج زمینی دارد. در این مقاله از این حسگرها برای حفاظت محیط استفاده شده است. بدین صورت که سیگنالهای حاصل از بیل زدن زمین، عبور وسیله نقلیه و در حالتی که هیچ حرکتی وجود ندارد تشخیص داده میشوند. برای استخراج ویژگی از موجک دابیچز درجه 4 و همچنین برای طبقهبندی از کلاسیفایر SVMاستفاده شده است.
کلید واژه- تبدیل موجک، حفاظت پیرامونی ،ژئوفون، SVM

-1 مقدمه

تشخیص حرکت بر اساس حسگرهای لرزهای - ژئوفون ها - نقش اساسی و مهمی در کاربردهای امنیتی مانند حفاظت پیرامونی، نظارت لولههای نفتی و امنیت مرزها ایفا میکند. در مقایسه با حسگرهای آکوستیکی، حسگرهای لرزهای مزیتهای بیشتری برای تشخیص حرکت دارند .[1] اثر صوتی به راحتی با شرایط آب و هوایی تحت تأثیر قرار میگیرد ولی در حسگرهای لرزهای این تأثیرات کمتر میباشد. از مزیتهای موجهای لرزهای در مقایسه با سیگنالهای صدا، تصویر و مادونقرمز این است که کمتر حساس به اثر دوپلر1 ، نویزهای ناشی از حرکات وسایل نقلیه و همچنین تغییرات هوایی و زمینی میباشند [3] [2] که باعث میشود این موجها در ردیابی و کلاسهبندی اهداف زمینی بهطور گسترده مورد استفاده قرار گیرند.

بر خلاف حسگرهای ویدئویی که مقدار زیادی توان مصرف میکنند و همچنین حجم پردازش و حافظه زیادی نیاز دارند، سیگنالهای لرزهای به دلیل یک بعدی بودن آن دارای پردازشی کمتر و در نتیجه برای کارهای بلادرنگ2 مناسب میباشند.همچنین در جاهایی که حفاظت برای فواصل طولانی مورد نیاز است - مانند حفاظت در مرزها - استفاده از حسگرهای ویدئویی به خاطر هزینه بالا مقرون به صرفه نیست ولی با استفاده ژئوفون ها به صورت اتصال سری میتوان مسافت زیادی را با هزینه کمتر پوشش داد.یک چالش اساسی که در سامانههای مبتنی بر حسگرهای لرزهای وجود دارد این است که به خاطر شباهت سیگنالهای ناشی از دو هدف متفاوت بعضی از اهداف قابل تشخیص نیستند و یا اشتباه تشخیص داده میشوند.

برای رفع این مشکل کارهای زیادی انجام گرفته است که به تعدادی از آنها اشاره میشود.در [1] با استفاده از تبدیل موجک یک کاهش نویز انجام گرفته که باعث شده نسبت سیگنال به نویز در تشخیص سیگنالهای مربوط به راه رفتن افزایش یابد و تشخیص بهبود پیدا کرده است. در [4] روشی ارائه شده که بر اساس تفکیک نویز و سیگنال غیر ایستا بوده و برای تشخیص الگوهای از پیش تعریف شده در تصاویر لرزهای مورد استفاده قرار میگیرد. در [5] با استفاده از شبکههای عصبی مصنوعی به تشخیص زمینلرزهها پرداخته است. در [6] یک روش استخراج ویژگی قوی ارائه داده که بر اساس ضرایب کپسترال فرکانسی لگاریتمی-سیگمویدی1 - LSFCC - بوده و از ضرایب کپسترال فرکانسی مل 2 - MFCC - بهره میبرد و برای طبقهبندی اهداف زمینی بهوسیله ژئوفون ها به کار برده میشود.

در این مقاله برای تشخیص سیگنالهای لرزهای از ژئوفون استفاده شده است - نمایی از ژئوفون را در شکل 1 میتوانید ببینید - و همچنین با استفاده از تبدیل موجک یک سری ویژگی استخراج میشود که قابلیت تمایز زیادی دارند و از آنها برای طبقهبندی بهره برده میشود.برای دستهبندی از طبقه بندهای مختلفی مانند طبقه بند بیزین، شبکههای عصبی، SVM، KNN و ... میتوان استفاده کرد. اکثر این طبقه بندها منجمله شبکه عصبی برای آموزش به دادههای زیادی نیاز دارند ولی به علت تعداد کم دادههای آموزشی مورداستفاده، در این مقاله از ماشین بردار پشتیبان 3 - SVM - بهره بردیم که چون وابسته به دادههای مرزی میباشد با تعداد دادههای کم هم به خوبی آموزش میبیند و همچنین از آنجا که حداکثر حاشیه را پیدا میکند بهترین گزینه برای طبقهبندی میباشد.در این مقاله ابتدا به نحوه تهیه دادههای آموزش پرداخته میشود. سپس با استفاده از موجک دابیچز درجه 4 و گرفتن انرژی آن، ویژگیهای نمونهها استخراج میگردد . در بخش بعدی ماشین بردار پشتیبان توضیح داده میشود و درنهایت نتایج طبقهبندی آورده شده است. 
-2 تهیه دادههای آموزش

از آنجایی که یک پایگاه داده مناسب از اهداف مورد نظر وجود نداشت اقدام به تهیه آن کردیم. برای این منظور با استفاده از ژئوفون از اهداف مورد نظر با فرکانس 4096 هرتز نمونهبرداری شد. نمونهای از این دادهها را میتوانید در شکل 2 مشاهده نمایید. اهداف نمونهبرداری شده شامل بیل زدن زمین، عبور وسیله نقلیه و سیگنال در حالتی که هیچ وسیلهای وجود ندارد میباشد - سیگنال نویز - .سپس هر 1 ثانیه از این سیگنالها بهعنوان یک داده آموزشی دستهبندی شدند و در آموزش و تست طبقه بند از آنها استفاده شد.

-3 استخراج ویژگی

برای استخراج ویژگی از موجک دابیچز [7] درجه 4 استفاده شده است. این موجک تا پنج سطح به سیگنال اعمال گشته است . [8] در هر سطح با اعمال تبدیل موجک به سیگنال اصلی، یک سیگنال تقریب و یک سیگنال از جزئیات آن به دست میآید. تقریب سیگنال، فشرده شده سیگنال اصلی است که از حذف شدن جزئیات از سیگنال اصلی حاصل میشود. در سطح بعدی دوباره از سیگنال تقریب تبدیل موجک گرفته میشود. این سیگنالها را میتوانید در شکل 4 ببینید.درنهایت انرژی تقریب سیگنال در آخرین سطح اعمال موجک و بردار 5 تایی مربوط به انرژی جزئیاتها در هر سطح اعمال موجک - انرژی مربوط به سیگنالهای a5 و d1 تا d5 در شکل - 4، بهعنوان ویژگی استخراج میشوند . [9]

-4 طبقهبندی

برای طبقهبندی از ماشین بردار پشتیبان - SVM - استفاده شده است . [10] دلیل استفاده از این طبقه بند، کم بودن تعداد نمونههای آموزش و ساختار SVM است که فقط به دادههای مرزی وابسته میباشد.

1؛-4  ماشین بردار پشتیبان

فرض کنیم مجموعه نقاط داده x1, c1 , x2 , c2 ,..., xn , cn    را در اختیار داریم و میخواهیم آنها را به دو طبقه ci 1,1 تفکیک کنیم. هر xi  یک بردار p  بعدی از اعداد حقیقی است که در واقع همان ویژگیهای استخراجشده از سیگنال ورودی هستند. روشهای طبقهبندی خطی، سعی دارند که با ساختن یک ابرسطح - که عبارت است از یک معادله خطی - ، دادهها را از هم تفکیک کنند. روش طبقهبندی ماشین بردار پشتیبان که یکی از روشهای طبقهبندی خطی است، بهترین ابرسطحی را پیدا میکند که با حداکثر فاصله1 دادههای مربوط به دو طبقه را از هم تفکیک کند. به منظور درک بهتر مطلب، در شکل 3 تصویری از یک مجموعه داده متعلق به دو کلاس نشان دادهشده که روش ماشین بردار پشتیبان بهترین ابرسطح را برای جداسازی آنها انتخاب میکند.

در این شکل دادهها دوبعدی هستند یعنی هر داده تنها از دو ویژگی تشکیل شده است.ایده اصلی این است که یک جداکننده مناسب انتخاب شود. منظور، جداکنندهای است که بیشترین فاصله را با نقاط همسایه از هر دو طبقه دارد. این جواب در واقع بیشترین مرز را با نقاط مربوط به دو طبقه مختلف دارد و میتواند با دو ابرسطح موازی که حداقل از یکی از نقاط دو طبقه عبور میکنند، کراندار شود. این بردارها، بردارهای پشتیبان2 نام دارند. فرمول ریاضی این دو