GTL 2011 Herkenning van bronnen obv geluiden

1. Geluidsnet
Herkennen
“Fingerprints” maken
Monitoren
Meten
R.L.Q. Maas

2. Inhoud
1. Voorstellen
2. Aanleidingen en doel
3. Toepassingen / mogelijkheden
4. Methode
5. Eisen
6. Voorlopige Resultaten

3. Voorstellen
 Opgericht om vliegtuiggeluid transparant inzichtelijk te maken.
Naast geluidmetingen ook andere meetsensoren (Sensornet)
 Meteo-omstandigheden, (ultra) fijnstof, CO2, ozon, licht en geur
 Samenwerking met
 Vorig jaar innovatieprijs voor Normhandhaving 2.0
 De kern is onbemand meten, waarbij data en rapportage via
internet

4. Aanleiding
Aanleiding 1: Vliegtuiggeluid
 Nu: Driehoeksmeting, Geluidpatronen en
transponderdata
 Grotere en moderne vliegtuigen hebben
een transponder die waardevolle data
verzend en onze gegevens zeer
betrouwbaar maken
 Kleinere, oudere of vliegtuigen behorend
bij defensie hebben geen transponder.

5. Aanleiding en Doel
Aanleiding 2
 Toename van onbemande meetsystemen voor
bepaling geluidimmissies
 De mogelijkheden van deze systemen nemen
toe.
 Vergelijkingen overdrachten met theorie
 MP3
 Wens en doel: Automatisch classificeren
(bronherkenning)

6. Toepassingen
óf

7. Toepassingen

8. Methode
Data-acquisitie
Machinaal trainen (kunstmatige intelligentie) Geluidsopname
 Verzamelen van geluiden volgens de
“standaard per klasse”;
'Fingerprint'
 Patroonherkenning naar “fingerprints” bepalen
middels gecontroleerde training;
 Hoogwaardige signaalbewerking (Support
'Fingerprints' per
Vector Machines) leidt tot waarschijnlijkheid / klasse verzamelen
vergelijking opnamen met “standaard per
klasse”
Per klasse een
model trainen

9. Diepere techniek
 Support Vector Machines

10. Methode
 Daarna dezelfde weg Data-acquisitie
bewandelen met nieuwe Geluidsopname
fragmenten (input) en
vergelijken.
'Fingerprint'
bepalen
'Fingerprint'
toetsen aan klassen
Waarschijnlijkheid
per klasse

11. Eisen
 De input van standaard per klasse moet voldoende breed
zijn en toch representatief.
 Te smal: te veel wordt afgekeurd (false negatives)
 Te breed: te veel wordt goedgekeurd (false positives)
 Onze aanpak:
Database, aangevuld met trainen “on the job” = >
maximale representativiteit
 Ook negatieve resultaten worden geleerd
 Training met 50 (+) en 100 (-) geeft al zeer consistente resultaten
 Kruisvalidaties minder noodzakelijk

12. Resultaten

13. Mogelijkheden
classificatie

14. Conclusie
 Veel (typen) bronnen zijn herkenbaar
 Tijdbesparing en daarmee ook kostenbesparing
 Bijzondere mogelijkheden in de toekomst ?

15. Theo G. Köhler, Accountmanager
Geluidsnet Middelstegracht 87 u, 2312 TT Leiden
Casuariestraat 7 5123645, Fax: 071 5123039
Tel: 071
E-Mail: verkoop@geluidsnet.nl
2501 VB Den Haag
Web: http://www.geluidsnet.nl