<div>
	Тимофеев А.В.<br />
	Создание модельных наборов целевых классов DAS-сигналов с использованием технологии генеративных состязательных нейронных сетей</div>

doi:10.17586/2226-1494-2025-25-1-87-94

2025 , ТОМ 25, НОМЕР 1 ( январь-февраль )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2025-25-1-87-94

УДК 004.852

Тимофеев А.В.
Создание модельных наборов целевых классов DAS-сигналов с использованием технологии генеративных состязательных нейронных сетей

Читать статью полностью

Язык статьи - русский

Ссылка для цитирования:

Тимофеев А.В. Создание модельных наборов целевых классов DAS-сигналов с использованием технологии генеративных состязательных нейронных сетей // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 1. С. 87–94. doi: 10.17586/2226-1494-2025-25-1-87-94

Аннотация

Введение. Предложен новый метод генерации модельных наборов (Distributed Acoustic Sensing, DAS) сигналов различных классов. Статистические характеристики модельных сигналов аналогичны реальным DAS- сигналам соответствующих классов и могут быть использованы для повышения качества обработки DAS- сигналов методами машинного обучения. Метод. Представленный метод состоит в модификации технологии генеративных состязательных сетей (Generative Adversarial Network, GAN). Новизна подхода заключается во введении дополнительного контура внешнего контроля эффективности генеративной сети, который включает классификатор, обученный на доступном (малом) корпусе реальных DAS-сигналов. Основные результаты. Предложен оригинальный метод генерации модельных наборов DAS-сигналов, основанный на технологии GAN, и отличающийся от классической технологии наличием дополнительного контура внешнего контроля качества. Сформулирован критерий оптимальности генерирующей системы, который достигается путем пошагового реконфигурирования нейросетевой структуры GAN. Реконфигурирование основано на методе оптимизации Нелдера–Мида. Разработана и исследована на реальных данных программная реализация предложенного метода на платформе Python. Приведены результаты, доказывающие практическую эффективность рассмотренного подхода. Использование метода позволило увеличить мощность обучающего корпуса данных и, тем самым, повысить результирующую надежность классификации целевых DAS-сигналов. Обсуждение. Разработанный подход перспективен для применения в тех случаях, когда емкость представленных для обучения корпусов данных недостаточна для обеспечения высоконадежной классификации.

Ключевые слова: GAN, машинное обучение, классификация, оптоволоконная система мониторинга, DAS, генеративная модель

Список литературы

Timofeev A.V., Groznov D.I. Classification of Seismoacoustic Emission Sources in Fiber Optic Systems for Monitoring Extended Objects // Optoelectronics, Instrumentation and Data Processing. 2020. V. 56. N 1. P. 50–60. https://doi.org/10.3103/S8756699020010070
Choi K.N., Juarez J.C., Taylor H.F. Distributed fiber optic pressure/seismic sensor for low-cost monitoring of long perimeters // Proceedings of SPIE. 2003. V. 5090. P. 134–141. https://doi.org/10.1117/12.484911
Zuo J., Zhang Y., Xu H., Zhu X., Zhao Z., Wei X., Wang X. Pipeline Leak Detection Technology Based on Distributed Optical Fiber Acoustic Sensing System // IEEE Access. 2020. V. 8. P. 30789–30796. https://doi.org/10.1109/access.2020.2973229
Тимофеев А.В., Максимов П.Н., Грознов Д.И. Применение оптоволоконной технологии для мониторинга трубопроводных систем отведения шахтных вод в криолитозоне // Гидротехника. 2023. N 3 (72). С. 34–43. https://doi.org/10.55326/22278400_2023_3_34
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Nets // Proc. of the 28th International Conference on Neural Information Processing Systems. 2014. V. 2. P. 2672–2680.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. Generative adversarial networks // arXiv. 2014. arXiv:1406.2661. https://doi.org/10.48550/arXiv.1406.2661
Goodfellow Ian. NIPS 2016 Tutorial: Generative Adversarial Networks // arXiv. 2017. arXiv:1701.00160. https://doi.org/10.48550/arXiv.1701.00160
Goodfellow I., Bengio Y., Courville A. Back-Propagation and Other Differentiation Algorithms // Deep Learning. MIT Press. 2016. P. 200–220.
Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization // Journal of Machine Learning Research. 2011. V. 12. P. 2121–2159.
Jones K.S. A Statistical interpretation of term specificity and its application in retrieval // Journal of Documentation. 1972. V. 28. N 1. P. 11–21. https://doi.org/10.1108/eb026526
Rüschendorf L. Wasserstein metric // Encyclopedia of Mathematics / ed. by M. Hazewinkel. Springer, 2000. P. 487-488.
Erdmann M., Glombitza J., Quast T. Precise simulation of electromagnetic calorimeter showers using a Wasserstein Generative Adversarial Network // Computing and Software for Big Science. 2019. V. 3. N 1. P. 4. https://doi.org/10.1007/s41781-018-0019-7
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A.C., Bengio Y. Generative adversarial nets // Advances in Neural Information Processing Systems 27: Annual Conference on Neural Information Processing Systems (NIPS). 2014. P. 2672–2680
Farnia F., Ozdaglar A. Do GANs always have Nash equilibria? // Proc. of the 37th International Conference on Machine Learning, PMLR. 2020. V. 119. P. 3029–3039.
Тимофеев А.В. Метод выбора гиперпараметров в задачах машинного обучения для классификации стохастических объектов // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. N 5. С. 667–676. https://doi.org/10.17586/2226-1494-2020-20-5-667-676

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License