A real-time underwater soundscape classification system
Notice bibliographique
Résumé
The study of underwater soundscapes, pioneered by Dr. Jeff Nystuen, includes information about geophonic, biological, and anthropogenic processes, many of which have distinct spectral characteristics. The contributors to the underwater ambient sound field can be quantified and classified using knowledge of these spectra. Long-term acoustic data recordings from a wide variety of depths and locations with high sampling frequencies have been analyzed to develop a robust soundscape classification algorithm based on Dr. Nystuen’s methods. Each one-minute of data has been evaluated to classify the soundscape into wind, rainfall, drizzle, heavy shipping, light shipping, other vessel activity, and biological phenomena. The power spectral density (PSD) level at twelve frequencies in the range of 0.03–30 kHz, as well as the spectral slope for the frequency range between 8 and 15kHz and kurtosis are used for the passive classification algorithm. After classification, the wind speed was quantified as a cubic function of PSD at 6 kHz and recording depth. The wind speed estimated from the acoustics compared very well to satellite data for speeds lower than 15 m/s. The classification algorithms are being embedded on a processor using Xilinx’s Zynq System-on-Chip that produces a 32-kHz hybrid millidecade spectrum in real-time on a logarithmic scale.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».