Research Article
BibTex RIS Cite

Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar

Year 2021, Volume: 36 Issue: 3, 1399 - 1416, 24.05.2021
https://doi.org/10.17341/gazimmfd.826453

Abstract

Ses dalgalarını kullanarak cismin boyut, uzaklık, yön ve diğer özelliklerinin tespit edilmesi için kullanılan sonar; denizaltı maden, petrol aramalarında, denizaltı haritalamasında, balık sürülerinin takibinde ve mayın tespitlerinde yaygın olarak kullanılmaktadır. Denizaltında mayınların yanı sıra mayınlara şekil ve yapı olarak çok benzeyen başka nesneler de gözlemlenebilmektedir. Sonar sinyallerinin tanımlanması ve sınıflandırılması için kullanılması gereken öznitelik çıkarımı, öznitelik seçimi, en uygun algoritmaların seçilmesi ve bu algoritmaların hiperparametre en iyilemesi çalışmaları, üzerinde uzun yıllardan beri çalışılan bilimsel problemler olarak karşımıza çıkmaktadır. Bu çalışmada, yenilikçi bir yaklaşımla üç farklı matematiksel dönüşüm kullanılarak verinin farklı bir formatta sayısal temsili önerilmekte ve derin öğrenme yöntemlerinin bu problem özelinde başarımlarının klasik makine öğrenmesi ve istatistiksel örüntü tanıma yöntemleri ile karşılaştırılması yapılmaktadır. Önerilen yenilikçi yöntem kapsamında, Markov Dönüşüm Alanı (MDA), Gramian Açısal Alanı (GAA, GATA, GAFA) ve Tekrarlanma Grafiği (TG) matematiksel dönüşümleri verinin zaman serisi türünden görüntü formatında ifade edilebilmesi için kullanılmıştır. Bu yaklaşım sonucunda elde edilen yeni tipteki verilerin kullanılmasıyla, derin öğrenme algoritmalarının çapraz doğrulama (cross validation) metodu ile eğitilmesi sağlanarak, üretilen modellerin performans sonuçları ve klasik algoritmalar ile elde edilen sonuçlar iyi bilinen metrikler kullanılarak karşılaştırılmıştır. Bu sonuçlar ışığında, önerilen zaman serisi verisinin görüntüye dönüştürülmesi yaklaşımlarının, problem çözümünde öznitelik çıkarma gereksinimini ortadan kaldırdığı ve bugüne kadar literatürde tespit edilen en iyi sonuçları verdiği belirlenmiştir. Önerilen yeni yaklaşımın, sadece zaman serisi tabanlı sınıflandırma problemleri için değil, farklı araştırma alanlarında da uygulanabileceği ve verinin sayısal olarak temsili amacıyla önerilen matematiksel dönüşümler ile makine öğrenmesi algoritmalarının başarımının arttırılması için önemli katkılar sağlayacağı değerlendirilmektedir.

References

  • Waite A.D. Sonar for Practising Engineers. Wiley, West Sussex, İngiltere, 2002.
  • Jing L. The principle of side scan sonar and its application in the detection of suspended submarine pipeline treatment, Materials Science and Engineering, {IOP}, 439, 2018.
  • Lucieer V.L. Object-oriented classification of sidescan sonar data for mapping benthic marine habitats. International Journal of Remote Sensing. 29(3), 905–921, 2018.
  • Burguera A, Oliver G, High-Resolution Underwater Mapping Using Side-Scan Sonar, PLOS ONE. 11(1), 2016.
  • Flowers H.J, Hightower J.E. A Novel Approach to Surveying Sturgeon Using Side-Scan Sonar and Occupancy Modeling. Marine and Coastal Fisheries. 5(1), 211–223, 2013.
  • Çelebi A.T, Güllü M.K, Ertürk S. Mine detection in side scan sonar images using Markov Random Fields with brightness compensation. In: 2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU), 916–919, 2011.
  • Huebner C.S. Evaluation of side-scan sonar performance for the detection of naval mines, Target and Background Signatures IV, Vol. 10794. SPIE, 158–166, 2018
  • Verleysen M, François D. The Curse of Dimensionality in Data Mining and Time Series Prediction. Lecture Notes in Computer Science, 3512(06), 758–770, 2005.
  • Gorman RP, Sejnowski TJ. Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets. Neural Networks. 1(1), 75–89, 1988.
  • Pamaja V., Rajendran V., Vijayalakshmi P., Study on metal mine detection from underwater sonar images using data mining and machine learning techniques, Journal of Ambient Intelligence and Humanized Computing, 11(4), 2020.
  • Erkmen B., Yıldırım T. Improving classification performance of sonar targets by applying general regression neural network with PCA. Expert Systems with Applications, 35(1-2), 472–475, 2008.
  • Bakbak P.O., Peker M., Classification of sonar echo signals in their reduced sparse forms using complex-valued wavelet neural network. Neural Computing and Applications (Neural Comput Appl), 32(1), 2020.
  • Hossin M., Mahudin F., Din I, Mat A.R. Analysis of Nine Instance-Based Genetic Algorithm Classifiers Using Small Datasets. Journal of Telecommunication, Electronic and Computer Engineering, 9, 3–11, 2017.
  • Novakovic J. Using Information Gain Attribute Evaluation to Classify Sonar Targets. Telecommunications forum (TELFOR). 2009.
  • Fong S, Deb S, Wong R, et al. Underwater Sonar Signals Recognition by Incremental Data Stream Mining with Conflict Analysis. International Journal of Distributed Sensor Networks. 10(5), 2014.
  • Hong X, Zhang J, Guan SU, et al. Incremental Maximum Gaussian Mixture Partition For Classification. In: 2nd Joint International Information Technology, Mechanical and Electronic Engineering Conference (JIMEC 2017); 62, 2017.
  • Shang T, Xia X, Zheng J. MIME-KNN: Improve KNN Classifier Performance Include Classification Accuracy and Time Consumption. DEStech Transactions on Computer Science and Engineering. 2018.
  • Wang Z, Oates T. Imaging Time-Series to Improve Classification and Imputation, Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI), 2015 Temmuz.
  • Wang Z, Oates T, et al. Spatially Encoding Temporal Correlations to Classify Temporal Data Using Convolutional Neural Networks. Journal of Computer and Systems Sciences 2015.
  • Eckmann JP, Kamphorst SO, Ruelle D. Recurrence Plots of Dynamical Systems. Euro- Physics Letters (EPL). 4(9), 973–977, 1987
  • Tang, Z., Zeng, X., Guo, Z., & Song, M., Malware Traffic Classification Based on Recurrence Quantification Analysis. Int. J. Netw. Secur., 22, 449-459, 2020.
  • Banerjee C., Mukherjee T., Pasiliao E., The Multi-phase ReLU Activation FunctionAnnals of Statistics, Proceedings of the 2020 ACM Southeast Conference (ACM SE ‘20), Tampa FL USA, 239-242, Nisan 2020.
  • Taqi A. M., Awad A., Al-Azzo F., Milanova M., The Impact of Multi-Optimizers and Data Augmentation on TensorFlow Convolutional Neural Network Performance, IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), Miami, FL, 140-145, 2018.
  • Ruby A.U., Theerthagiri P., Jacob I.J., Vamsidhar Y., Binary cross entropy with deep learning technique for Image classification, International Journal of Advanced Trends in Computer Science and Engineering, 9(4), 5393-5397, 2020.
  • Raschka S. ve Mirjalili V. Python Machine Learning, 2nd Edition 2017 Eylül.
  • Doğan, Y. (2020). Kendini tekrarlayan derin sinir ağlarının öznitelik seçim yöntemleri ile iyileştirilmesi ve zaman serisi olarak ele alınan otomatik tanımlama sistemi verilerinde kullanımı, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (4), 1897-1912. DOI: 10.17341/gazimmfd.676862
  • Kasım, Ö, Kuzucuoğlu, A. (2015). Lökosit hücrelerinin preparat görüntüsünden tespiti ve sınıflandırılması, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (1), DOI: 10.17341/gummfd.10332
  • Aktaş, A, Doğan, B, Demi̇r, Ö. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (3), 1685-1700. DOI: 10.17341/gazimmfd.652101
Year 2021, Volume: 36 Issue: 3, 1399 - 1416, 24.05.2021
https://doi.org/10.17341/gazimmfd.826453

Abstract

References

  • Waite A.D. Sonar for Practising Engineers. Wiley, West Sussex, İngiltere, 2002.
  • Jing L. The principle of side scan sonar and its application in the detection of suspended submarine pipeline treatment, Materials Science and Engineering, {IOP}, 439, 2018.
  • Lucieer V.L. Object-oriented classification of sidescan sonar data for mapping benthic marine habitats. International Journal of Remote Sensing. 29(3), 905–921, 2018.
  • Burguera A, Oliver G, High-Resolution Underwater Mapping Using Side-Scan Sonar, PLOS ONE. 11(1), 2016.
  • Flowers H.J, Hightower J.E. A Novel Approach to Surveying Sturgeon Using Side-Scan Sonar and Occupancy Modeling. Marine and Coastal Fisheries. 5(1), 211–223, 2013.
  • Çelebi A.T, Güllü M.K, Ertürk S. Mine detection in side scan sonar images using Markov Random Fields with brightness compensation. In: 2011 IEEE 19th Signal Processing and Communications Applications Conference (SIU), 916–919, 2011.
  • Huebner C.S. Evaluation of side-scan sonar performance for the detection of naval mines, Target and Background Signatures IV, Vol. 10794. SPIE, 158–166, 2018
  • Verleysen M, François D. The Curse of Dimensionality in Data Mining and Time Series Prediction. Lecture Notes in Computer Science, 3512(06), 758–770, 2005.
  • Gorman RP, Sejnowski TJ. Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets. Neural Networks. 1(1), 75–89, 1988.
  • Pamaja V., Rajendran V., Vijayalakshmi P., Study on metal mine detection from underwater sonar images using data mining and machine learning techniques, Journal of Ambient Intelligence and Humanized Computing, 11(4), 2020.
  • Erkmen B., Yıldırım T. Improving classification performance of sonar targets by applying general regression neural network with PCA. Expert Systems with Applications, 35(1-2), 472–475, 2008.
  • Bakbak P.O., Peker M., Classification of sonar echo signals in their reduced sparse forms using complex-valued wavelet neural network. Neural Computing and Applications (Neural Comput Appl), 32(1), 2020.
  • Hossin M., Mahudin F., Din I, Mat A.R. Analysis of Nine Instance-Based Genetic Algorithm Classifiers Using Small Datasets. Journal of Telecommunication, Electronic and Computer Engineering, 9, 3–11, 2017.
  • Novakovic J. Using Information Gain Attribute Evaluation to Classify Sonar Targets. Telecommunications forum (TELFOR). 2009.
  • Fong S, Deb S, Wong R, et al. Underwater Sonar Signals Recognition by Incremental Data Stream Mining with Conflict Analysis. International Journal of Distributed Sensor Networks. 10(5), 2014.
  • Hong X, Zhang J, Guan SU, et al. Incremental Maximum Gaussian Mixture Partition For Classification. In: 2nd Joint International Information Technology, Mechanical and Electronic Engineering Conference (JIMEC 2017); 62, 2017.
  • Shang T, Xia X, Zheng J. MIME-KNN: Improve KNN Classifier Performance Include Classification Accuracy and Time Consumption. DEStech Transactions on Computer Science and Engineering. 2018.
  • Wang Z, Oates T. Imaging Time-Series to Improve Classification and Imputation, Proceedings of the Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI), 2015 Temmuz.
  • Wang Z, Oates T, et al. Spatially Encoding Temporal Correlations to Classify Temporal Data Using Convolutional Neural Networks. Journal of Computer and Systems Sciences 2015.
  • Eckmann JP, Kamphorst SO, Ruelle D. Recurrence Plots of Dynamical Systems. Euro- Physics Letters (EPL). 4(9), 973–977, 1987
  • Tang, Z., Zeng, X., Guo, Z., & Song, M., Malware Traffic Classification Based on Recurrence Quantification Analysis. Int. J. Netw. Secur., 22, 449-459, 2020.
  • Banerjee C., Mukherjee T., Pasiliao E., The Multi-phase ReLU Activation FunctionAnnals of Statistics, Proceedings of the 2020 ACM Southeast Conference (ACM SE ‘20), Tampa FL USA, 239-242, Nisan 2020.
  • Taqi A. M., Awad A., Al-Azzo F., Milanova M., The Impact of Multi-Optimizers and Data Augmentation on TensorFlow Convolutional Neural Network Performance, IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), Miami, FL, 140-145, 2018.
  • Ruby A.U., Theerthagiri P., Jacob I.J., Vamsidhar Y., Binary cross entropy with deep learning technique for Image classification, International Journal of Advanced Trends in Computer Science and Engineering, 9(4), 5393-5397, 2020.
  • Raschka S. ve Mirjalili V. Python Machine Learning, 2nd Edition 2017 Eylül.
  • Doğan, Y. (2020). Kendini tekrarlayan derin sinir ağlarının öznitelik seçim yöntemleri ile iyileştirilmesi ve zaman serisi olarak ele alınan otomatik tanımlama sistemi verilerinde kullanımı, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (4), 1897-1912. DOI: 10.17341/gazimmfd.676862
  • Kasım, Ö, Kuzucuoğlu, A. (2015). Lökosit hücrelerinin preparat görüntüsünden tespiti ve sınıflandırılması, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (1), DOI: 10.17341/gummfd.10332
  • Aktaş, A, Doğan, B, Demi̇r, Ö. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (3), 1685-1700. DOI: 10.17341/gazimmfd.652101
There are 28 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler
Authors

Mustafa Umut Demirezen 0000-0002-9045-4238

Aybüke Civrizoğlu This is me 0000-0002-2377-8486

Uraz Yavanoğlu 0000-0001-8358-8150

Publication Date May 24, 2021
Submission Date November 16, 2020
Acceptance Date February 6, 2021
Published in Issue Year 2021 Volume: 36 Issue: 3

Cite

APA Demirezen, M. U., Civrizoğlu, A., & Yavanoğlu, U. (2021). Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(3), 1399-1416. https://doi.org/10.17341/gazimmfd.826453
AMA Demirezen MU, Civrizoğlu A, Yavanoğlu U. Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. GUMMFD. May 2021;36(3):1399-1416. doi:10.17341/gazimmfd.826453
Chicago Demirezen, Mustafa Umut, Aybüke Civrizoğlu, and Uraz Yavanoğlu. “Sualtı Objelerinin Makine öğrenmesi yöntemleri Ile Tespitinde Zaman Serisi-görüntü dönüşümü Tabanlı Yeni yaklaşımlar”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no. 3 (May 2021): 1399-1416. https://doi.org/10.17341/gazimmfd.826453.
EndNote Demirezen MU, Civrizoğlu A, Yavanoğlu U (May 1, 2021) Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36 3 1399–1416.
IEEE M. U. Demirezen, A. Civrizoğlu, and U. Yavanoğlu, “Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar”, GUMMFD, vol. 36, no. 3, pp. 1399–1416, 2021, doi: 10.17341/gazimmfd.826453.
ISNAD Demirezen, Mustafa Umut et al. “Sualtı Objelerinin Makine öğrenmesi yöntemleri Ile Tespitinde Zaman Serisi-görüntü dönüşümü Tabanlı Yeni yaklaşımlar”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/3 (May 2021), 1399-1416. https://doi.org/10.17341/gazimmfd.826453.
JAMA Demirezen MU, Civrizoğlu A, Yavanoğlu U. Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. GUMMFD. 2021;36:1399–1416.
MLA Demirezen, Mustafa Umut et al. “Sualtı Objelerinin Makine öğrenmesi yöntemleri Ile Tespitinde Zaman Serisi-görüntü dönüşümü Tabanlı Yeni yaklaşımlar”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 36, no. 3, 2021, pp. 1399-16, doi:10.17341/gazimmfd.826453.
Vancouver Demirezen MU, Civrizoğlu A, Yavanoğlu U. Sualtı objelerinin makine öğrenmesi yöntemleri ile tespitinde zaman serisi-görüntü dönüşümü tabanlı yeni yaklaşımlar. GUMMFD. 2021;36(3):1399-416.