ЗАСТОСУВАННЯ АЛГОРИТМІВ ДЕРЕВ РІШЕНЬ У ЗАДАЧАХ ІНТЕРПРЕТОВАНОЇ КЛАСИФІКАЦІЇ ГІДРОАКУСТИЧНИХ СИГНАЛІВ

Анотація

У статті розглянуто застосування алгоритмів дерев рішень для задач інтерпретованої класифікації
гідроакустичних сигналів у складних умовах морського середовища. Актуальність дослідження зумовлена
необхідністю поєднання автоматизованого аналізу підводних акустичних даних із можливістю пояснення
результатів класифікації, що є критично важливим для моніторингових і безпекових систем. Основну увагу
приділено rule-based підходу, який дозволяє формувати класифікаційні рішення на основі логічних правил із
чітким фізичним та семантичним трактуванням, без використання складних нейронних моделей типу «чорної
скриньки». У роботі проаналізовано особливості гідроакустичних сигналів як об’єкта класифікації, зокрема їх
нестаціонарний характер, зашумленість та залежність від параметрів водного середовища. Запропоновано
узагальнену схему побудови дерева рішень на основі акустичних ознак сигналів, таких як спектральні
характеристики, рівень інтенсивності, статистичні параметри та часові особливості. Показано, що кожен шлях у
дереві рішень може бути представлений у вигляді rule-based правила виду «якщо–то», що забезпечує прозорість
і контрольованість процесу прийняття рішень. Розглянуто приклад практичного застосування поєднання
статистичного аналізу, порогової rule-based класифікації та методів машинного навчання для обробки
гідроакустичних даних північно-західної частини Чорного моря. Показано, що використання дерев рішень
дозволяє ефективно працювати за умов обмежених навчальних вибірок, зменшувати ризик перенавчання та
адаптувати модель до експертних правил. Отримані результати підтверджують доцільність застосування
алгоритмів дерев рішень у практичних системах гідроакустичного моніторингу, де ключовими вимогами є
інтерпретованість, адаптивність і надійність класифікації.
Ключові слова: дерева рішень, гідроакустичні сигнали, класифікація, rule-based підхід, інтерпретовані
алгоритми, машинне навчання, програмне забезпечення.

Перелік посилань
1. Верлань А. І., Олексій А. О. Огляд та порівняння методів машинного навчання для розпізнавання
гідроакустичних сигналів. Інфокомунікаційні та комп’ютерні технології. 2022. Т. 1, № 03. С. 296–306. DOI:
https://doi.org/10.36994/2788-5518-2022-01-03-18. URL: https: // visn-icct.uu. edu. ua/ index.php / icct / article/view/83.
Дата звернення: 14.05.2026.
2. Xie Y., Ren J., Xu J. Guiding the underwater acoustic target recognition with interpretable contrastive learning.
OCEANS 2023 – Limerick. 2023. DOI: https://doi.org/10.1109/OCEANSLimerick52467.2023.10244447. Дата
звернення: 14.05.2026.
3. Wang M., Zhu Z., Qian G. Modulation Signal Recognition of Underwater Acoustic Communication Based on
Archimedes Optimization Algorithm and Random Forest. Sensors. 2023. Vol. 23, No. 5. Article 2764. DOI: https://doi.
org/10.3390/s23052764. Дата звернення: 14.05.2026.
4. Luo X., Chen L., Zhou H., Cao H. A Survey of Underwater Acoustic Target Recognition Methods Based on
Machine Learning. Journal of Marine Science and Engineering. 2023. Vol. 11, No. 2. Article 384. DOI: https://
doi.org/10.3390/jmse11020384. Дата звернення: 14.05.2026.
5. Schwardt M., Pilger C., Gaebler P., Hupe P., Ceranna L. Natural and Anthropogenic Sources of Seismic,
Hydroacoustic, and Infrasonic Waves: Waveforms and Spectral Characteristics and Their Applicability for Sensor
Calibration. Surveys in Geophysics. 2022. Vol. 43, No. 5. P. 1265–1361. DOI: https://doi.org/10.1007/s10712-022-
09713-4. Дата звернення: 14.05.2026.
6. Song Y.-Y., Lu Y. Decision tree methods: applications for classification and prediction. Shanghai Archives of
Psychiatry. 2015. Vol. 27, No. 2. P. 130–135. DOI: https://doi.org/10.11919/j.issn.1002-0829.215044. URL:
https://pmc.ncbi.nlm.nih.gov/articles/PMC4466856/. Дата звернення: 14.05.2026.
7. Lee S., Comuzzi M., Kwon N. Exploring the Suitability of Rule-Based Classification to Provide Interpretability
in Outcome-Based Process Predictive Monitoring. Algorithms. 2022. Vol. 15, No. 6. Article 187. DOI:
https://doi.org/10.3390/a15060187. URL: https://www.mdpi.com/1999-4893/15/6/187. Дата звернення: 14.05.2026.
8. Geng X., Yang Z., Jiao L., Zhou Z.-J., Ma Z. Association Rule-Based Classification: A Comprehensive Review
of Methodologies and Applications. Expert Systems with Applications. 2025. Vol. 280. Article 127454. DOI:
https://doi.org/10.1016/j.eswa.2025.127454. URL: https:// www.sciencedirect.com /science / article/ abs/pii/S09574174-
25010760. Дата звернення: 14.05.2026.
9. Tran K. Human-Learn: Rule-Based Learning as an Alternative to Machine Learning. Medium. 2023. URL:
https: // medium.com / data-science / human-learn-rule-based-learning-as-an-alternative-to-machine-learning-baf1899-
ecb3a. Дата звернення: 14.05.2026.
10. Montgomery R. M. A Comparative Analysis of Decision Trees, Neural Networks, and Bayesian Networks:
Methodological Insights and Practical Applications in Machine Learning. Preprints.org. 2024. DOI:
https://doi.org/10.20944/preprints202410.1491.v1. URL: https://www.preprints.org/manuscript/202410.1491. Дата
звернення: 14.05.2026.
11. Mihailov M. E. Characterization and Automated Classification of Underwater Acoustic Environments in the
Western Black Sea Using Machine Learning Techniques. Journal of Marine Science and Engineering. 2025. Vol. 13, No.
7. Article 1352. DOI: https://doi.org/10.3390/jmse13071352. Дата звернення: 14.05.2026.