Article

Evaluation unterschiedlicher Klassifikationsalgorithmen zur Falschalarmreduktion in der Aktiv-Sonarortung

* Presenting author
Day / Time: 21.03.2018, 14:40-15:00
Room: MW 2250
Typ: Vortrag (strukturierte Sitzung)
Session: Meeresakustik
Abstract: Für eine Vielzahl von Anwendungen im Aktivsonarbereich besteht der Wunsch nach vollautomatisch arbeitenden Sensoren, die Ziele ohne manuelle Unterstützung zuverlässig detektieren. Hierfür ist eine geringe Falschalarmrate von essentieller Bedeutung. In der klassischen Aktivsonarsignalverarbeitung werden in der Regel lediglich das Signal-zu-Rauschverhältnis und ggf. der Doppler der Echos zur Detektion genutzt. Es ist allerdings bekannt, dass die Echos weit mehr Informationen enthalten (z.B. ihre Ausdehnung), welche sich in Form von Merkmalen extrahieren lassen. Mithilfe von maschinellen Lernalgorithmen / Klassifikatoren lassen sich die Detektionen auf Basis ihrer extrahierten Merkmale unterschiedlichen Klassen (Zielkontakt oder Falschalarm) zuordnen. In dieser Arbeit wird die Leistungsfähigkeit unterschiedlicher Klassifikationsalgorithmen zur Falschalarmreduktion am Beispiel der aktiven Taucherdetektion vergleichend analysiert. Betrachtet werden ein Abstandsklassifikator (k-Nearest-Neighbor), ein Boosting-Algorithmus (AdaBoost) sowie Neuronale Netze, deren Performance anhand von Receiver-Operating-Characteristic-Kurven gegenübergestellt wird. Zur Verifikation der Robustheit werden die trainierten Klassifikatoren auf Daten aus unterschiedlichen Versuchsreihen angewendet. Hierbei liegt der Fokus insbesondere auf der Übertragbarkeit zwischen Datensätzen aus unterschiedlichen Umgebungsverhältnissen.