Registration Number
0824U000288, PhD dissertation
Status
Доктор філософії
Date
04-03-2024
popup.evolution
o
Title
Acoustic detection of unmanned aerial vehicles
Author
Serhii Sokolskyi,
popup.head Movchanuk Andrey V.
popup.opponent Yulii M. Boiko
popup.opponent OLHA V. ZINCHENKO
popup.review Ruslan V. Antipenko
popup.review Igor O. Tovkach
popup.rada
National Technscal University of Ukraine "Kiev Polytechnic Institute".
Description
Сокольський С.О. Акустичне виявлення безпілотних літальних апаратів. – Кваліфікаційна наукова праця на здобуття наукового ступеня доктора філософії складається зі вступу, чотирьох розділів, висновків, списку використаних джерел, 3 додатків, та містить 70 рисунків і 9 таблиць. Список використаної літератури включає в себе 50 джерел.
Метою дисертаційної роботи є підвищення ефективності системи виявлення та локалізації малих безпілотних літальних апаратів (МЛА) та обробки їхніх акустичних сигналів зареєстрованих вхідним сенсором.
Завдання дослідження:
1) Проведення аналізу основних методів виявлення та локалізації МЛА;
2) Створення та накопичення бази аудіозаписів акустичних сигнатур різних моделей МЛА;
3) Розроблення математичної моделі для ідентифікації типу МЛА, використовуючи базу аудіозаписів їхніх акустичних сигнатур
4) Розроблення методу цифрової обробки акустичних сигналів із використанням згорткової нейронної мережі (ЗНМ) глибокого навчання з оптимізатором Adam;
5) На основі запропонованого методу, розробити програмне забезпечення для обробки акустичних сигналів на предмет наявності сигнатур МЛА;
6) Створення акустичного детектора МЛА.
7) Перевірка ефективності розробленого програмного та апаратного забезпечення для виявлення МЛА.
Об`єктом дослідження є процес акустичного виявлення МЛА.
Предметом дослідження є методи реалізації системи передачі та оброблення акустичних сигналів МЛА.
Наукова новизна отриманих результатів полягає в тому, що:
1) Вперше запропоновано математичну модель ідентифікатора МЛА, наукова новизна якої полягає в тому, що вона ґрунтується на використанні бази аудіозаписів акустичних сигнатур дронів та надає можливість зменшити похибку під час класифікації їхньої моделі.
2) Вперше розроблено метод цифрової обробки акустичних сигналів дронів, наукова новизна якого полягає в тому, що він ґрунтується на теорії штучного інтелекту та використовує ЗНМ глибокого навчання з оптимізатором Adam для підвищення швидкості та ефективності ідентифікації типу МЛА.
3) Удосконалено методику розрахунку кількості мел-фільтрів та їхнього частотного діапазону, що, на відміну від існуючих, враховує бажану частотну розділову здатність та дає змогу підвищити швидкість та точність отримання основних представлень аудіосигналу МЛА під час використання техніки зважування коефіцієнтів ШПФ за допомогою банків мел-фільтрів.
Практичне значення отриманих результатів полягає в тому, що:
1) На основі розробленої математичної моделі, створено базу аудіосигналів МЛА моделей «Mavic 2 Pro», «Mavic 3» та «FPV».
2) На основі розробленого методу та методики, створено програмне забезпечення для швидкого та ефективного оброблення аудіосигналів МЛА із використанням ЗНМ глибокого навчання з оптимізатором Adam.
3) Створено акустичний детектор МЛА з ефективною відстанню виявлення об’єктів до 200 метрів.
4) Надано відповідні універсальні рекомендації для подальшого вдосконалення системи детекції МЛА.
За результатами дисертації опубліковано 6 наукових робіт: 3 статті в фахових виданнях України, з яких 2 у періодичних виданнях, що включенні до міжнародної наукометричної бази WEB OF SCIENCE, та 3 тези доповіді в збірниках матеріалів міжнародних науково-технічних конференцій.
У вступі роботи підтверджена актуальність, сформульована мета, завдання та методи дослідження, надана інформація про наукову новизну та практичне значення отриманих результатів.
У першому розділі був проведений порівняльний та критичний аналіз потенційних можливостей основних методів виявлення МЛА: оптичного, радiолокацiйного та акустичного. Кожним із методів розраховано теоретичну максимальну дальність виявлення безпілотника моделі «DJI Mavic 3».
У другому розділі розглянуто реалізацію простого та дешевого для конструювання акустичного детектора з одним мікрофоном. Він дає змогу виявляти акустичні коливання, що видають двигуни та лопоті дрону. За результатом тестових випробувань була створена база аудіофайлів шуму квадрокоптера «DJI Mavic 3». Спектри отриманих аудіозаписів випромінювання квадрокоптера надають змогу визначити основні частоти тонів, що є важливими ознаками під час розроблення алгоритму класифікації безпілотників.
Третій розділ описує процес розроблення алгоритму для ефективного оброблення та класифікації аудіосигналів МЛА із використанням згорткової нейронної мережі глибокого навчання, побудови архітектури та теоретичного оцінювання ефективності її роботи.
У четвертому розділі проведено практичне тестування роботи готової моделі детектора. Ефективна дистанція виявлення МЛА склала до 200 м.
Ключові слова: дрон, малий безпілотний літальний апарат, БПЛА, виявлення цілей, акустична локація, контрольована зона, реєстратор сигналів, виявлення сигналів, спектр, оброблення сигналу, машинне навчання, нейронна мережа, глибоке навчання.
Registration Date
2024-01-11
popup.nrat_date
2024-03-06 / 2026-07-01
