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)
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
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