Machine learning inspired ship-radiated noise modelling and cancellation for underwater acoustic communication systems
Notice bibliographique
Résumé
Achieving high data rate and reliable communication in shallow and harbour underwater acoustic (UA) environments can be a demanding task in the presence of ship-radiated noise. However, few research studies have examined the properties of ship-radiated noise in terms of its time-domain statistical characteristics and its negative effects on UA communication systems. From the observation of spectrograms and the temporal signals of various acoustic shipping noise recordings, high frequency and impulsive characteristics are visible. These impulsive agitations can be detrimental to the performance of multi-carrier UA communication systems, thus impulse noise cancellation methods are necessary to reduce errors. In this thesis, we investigate the impulsive and correlative interference generated due to nearby shipping activity and its effects on orthogonal frequency-division multiplexing (OFDM) systems. The research objectives are twofold: (1) model the time-domain stochastic characteristics of ship-radiated noise, and (2) achieve shipping noise cancellation for UA OFDM systems. We propose the use of unsupervised learning techniques to train generative models that capture the time-domain stochastic behaviours of ship-radiated noise using a publicly available database of long-term acoustic shipping noise recordings. These models can then be used for further analysis of ship-radiated noise and performance evaluation of UA OFDM systems in the presence of such interference. The results indicate a two component Gaussian mixture model serves as a better approximation for high frequency ship-radiated noise while generative adversarial networks produce improved realizations of shipping noise in lower frequencies. We offer sparsity and deep learning-based ship-radiated noise cancellation solutions that are constructed under a compressed sensing framework. Obtained results show that the sparsity-based estimation and cancellation algorithms demonstrate competitive mitigation capabilities for high frequency impulsive ship-radiated noise. The deep learning-based cancellation methods depict measurable shipping noise mitigation results to the sparsity-based techniques, but with superior run-time performance. In addition, the deep learning-based methods outperform the sparsity-based approaches in lower frequency ship-radiated noise due to the supplementary correlative structure. Furthermore, experimental results indicate the deep learning-based cancellation approaches scale better to new realizations of high frequency and low frequency shipping noise signals compared to the sparsity-based methods. [An errata to this thesis/dissertation was made available on 2021-02-18.]
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».