Підвищення точності визначення координат джерела звуку за допомогою гібридної нейромережевої моделі з урахуванням атмосферних параметрів

Анотація

Розроблено інтелектуальну систему акустичної локалізації джерела звуку на основі гібридної нейромережі з адаптивним зважуванням ознак, що забезпечує підвищену точність визначення координат джерела звуку за умов шуму та невизначеності. Сформовано простір ознак на основі різниці тривалості приходу сигналу TDoA (англ. Time Difference of Arrival) та параметрів навколишнього середовища – температури, вологості та швидкості вітру, які враховують зміни швидкості поширення звуку за реальних умов експлуатації акустичної системи. Побудовано штучне навчальне середовище, яке дає змогу генерувати різноманітні акустичні сценарії та імітувати роботу сенсорної мережі за контрольованих фізичних умов з урахуванням випадкових похибок вимірювань. Реалізовано гібридну архітектуру нейромережевої моделі, що поєднує багатошаровий персептрон MLP (англ. Multilayer Perceptron) та механізм уваги, який забезпечує адаптивне виділення найінформативніших компонентів вхідного сигналу та знижує вплив шумових складових на точність прогнозування просторових координат. Введено механізм softmax-нормалізації вагових коефіцієнтів прихованого подання моделі, що дає змогу моделі динамічно перерозподіляти інформаційну вагомість ознак залежно від поточних акустичних умов та рівня зашумленості середовища. Застосовано алгоритм навчання моделі на основі мінімізації середньоквадратичної похибки з використанням оптимізатора Adam, що забезпечило стабільну збіжність моделі у регресійній постановці завдання. Проведено порівняльне оцінювання запропонованої гібридної моделі Hybrid та класичної моделі MLP за ключовими метриками їхньої якості на синтетичних наборах даних із різними рівнями шуму. Встановлено, що функція втрат зменшилась на 29,1 %, середньоквадратична похибка – на 30,2 %, медіанна похибка локалізації джерела звуку – на 11,2 %, стійкість до шуму підвищилась на 28,2 %. З'ясовано, що показник узагальнення зменшився на 56,9 %, що свідчить про істотне зниження перенавчання моделі та підвищення здатності моделі до роботи з новими даними. Підтверджено ефективність механізму уваги як адаптивного фільтра сигналу, що підсилює інформативні компоненти та пригнічує шумові. Показано, що запропонована масштабована архітектура нейромережевої моделі зберігає обчислювальну ефективність і може застосовуватись у системах безпеки, екологічного моніторингу та автономної робототехніки.