Back to search

National and Kapodistrian University of Athens

Χρήση της Μηχανικής Μάθησης για Αναγνώριση Υποβρύχιων Ηχητικών Καταγραφών Πλοίων

Abstract

dc:description

Η διπλωματική εργασία πραγματεύεται την αναγνώριση υποβρύχιων ηχητικών καταγραφών πλοίων με μεθόδους Μηχανικής Μάθησης (Machine Learning) και Βαθιάς Μάθησης. Παρουσιάζονται οι βασικές έννοιες της υποβρύχιας ακουστικής, στρατιωτικές εφαρμογές για αυτού του τύπου συστήματα, τους γενικούς μηχανισμούς διάδοσης και το γενικό διάγραμμα λήψης, αποδιαμόρφωσης και απόφασης ενός παθητικού Sonar. Αναλύονται τα χαρακτηριστικά διάδοσης του διαύλου της υποβρύχιας ακουστικής και ειδικά θέματα που υπάρχουν. Τεκμηριώνεται το ερευνητικό και εφαρμοσμένο ενδιαφέρον σε στρατιωτικές και πολιτικές εφαρμογές. Παράλληλα ορίζεται ο σκοπός χρήσης της μηχανικής μάθησης / τεχνητής νοημοσύνης στην υποβρύχια ακουστική μέσω ακουστικών παθητικών καταγραφών. Περιγράφεται η ροή εργασίας συλλογής δεδομένων, προεπεξεργασίας / εξαγωγής χαρακτηριστικών και η εκπαίδευση ταξινομητών στο θεωρητικό τους υπόβαθρο για Naïve Bayes (NB), K-Nearest Neighbor (K-NN), Logistic Regression (LR), Support Vector Machine (SVM), Multilayer Perceptron (MLP), Convolutional Neural Networks (CNN) καθώς και μετρικές αξιολόγησης που θα χρησιμοποιηθούν για την σωστή αξιολόγηση των μοντέλων. Υλοποιούνται τα ανωτέρα μοντέλα με πλήρεις αναφορές μετρικών και πινάκων σύγχυσης. Παρουσιάζονται δύο στρατηγικές εξαγωγής χαρακτηριστικών, υλοποιείται CNN και ερμηνεύονται τα αποτελέσματα αυτού. Για το CNN τεκμηριώνεται ότι ο συνδυασμός πλούσιων χρονικο‑συχνοτικών καναλιών (LOFAR/DEMON/log‑Mel), η προσεκτική ρύθμιση απενεργοποίησης νευρώνων και η εξισορρόπηση μεγέθους δειγμάτων επηρεάζουν ουσιαστικά τη γενίκευση του μοντέλου. Αντιπαραβάλλεται επίσης η επίδοση MLP ως ισχυρή κλασική γραμμή βάσης για αρχιτεκτονικές νευρωνικών δικτύων. Συνδέεται το σύνολο των υλοποιημένων αποτελεσμάτων με το μοντέλο διάδοσης της υποβρύχιας ακουστικής και αναλύεται πώς οι υλοποιήσεις αντιμετωπίζουν τα φαινόμενα του καναλιού διάδοσης. Παράλληλα παρουσιάζεται η συγκεντρωτική σύγκριση των καλύτερων μοντέλων ανά είδος αλγορίθμου. Ειδικό βάρος δίδεται στη Βαθιά Υπολειμματική Μάθηση (Deep Residual Network). Παρουσιάζεται η φιλοσοφία της και εξηγείται, γιατί αυτά είναι κατάλληλα για 2D χρονικο-συχνοτικά χαρακτηριστικά, όπως LOFAR/DEMON/log-Mel. Mέσω μεταφοράς μάθησης και κατάλληλων τεχνικών, τα ResNets καταδεικνύουν σαφή άνοδο της ισορροπημένης ακρίβειας και υψηλή γενίκευση σε πραγματικά δεδομένα, καθιστώντας τις υπολειμματικές αρχιτεκτονικές ισχυρό κορμό για ταξινόμηση υποβρύχιων ακουστικών στόχων. Αναφέρονται μελλοντικές προτάσεις και παράλληλα, συζητούνται κατευθύνσεις για επιχειρησιακή αξιοποίηση. Προτείνεται ο συνδυασμούς μοντέλων ταξινομητών που συγχωνεύουν πιθανότητες από πολλαπλούς ταξινομητές μέσω αρχιτεκτονικών με διπλούς φασματικούς κλάδους για χαμηλές (<200 Hz) και μεσαίες / υψηλές συχνότητες. Παράλληλα αναφέρονται ρεαλιστικοί περιορισμοί διαθέσιμων εκπαιδευτικών δεδομένων σε παθητικά στρατιωτικά σενάρια, με συνακόλουθες προτάσεις, όπως η χρήση συνθετικών δειγμάτων και η σταδιακή προσαρμογή τους. Επιπλέον αναλύεται το όφελος της αξιοποίησης της βαθιάς μάθησης σε παθητικές στρατιωτικές καταγραφές και η ένταξη του Machine Learning σε ναυτικές στρατιωτικές μονάδες με αντίστοιχα απαραίτητο εξοπλισμό και εκπαίδευση που απαιτείται.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • ΣΙΑΤΗΣ ΕΥΑΓΓΕΛΟΣ
  • SIATIS EVANGELOS

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:5320948

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

ΣΙΑΤΗΣ ΕΥΑΓΓΕΛΟΣ; SIATIS EVANGELOS. Χρήση της Μηχανικής Μάθησης για Αναγνώριση Υποβρύχιων Ηχητικών Καταγραφών Πλοίων. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5320948