آمار
| تعداد نشریات | 39 |
| تعداد شماره‌ها | 1,115 |
| تعداد مقالات | 8,103 |
| تعداد مشاهده مقاله | 5,998,123 |
| تعداد دریافت فایل اصل مقاله | 3,264,002 |
ارائه یک روش مؤثر برای به دست آوردن امضای آکوستیک | ||
| علوم و فناوریهای پدافند نوین | ||
| مقاله 3، دوره 14، شماره 1 - شماره پیاپی 51، خرداد 1402، صفحه 23-38 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سودابه افشار؛ سید جواد کاظمی‌تبار* ؛ عطاالله ابراهیم زاده | ||
| دانشگاه صنعتی نوشیروانی بابل، بابل ، ایران | ||
| تاریخ دریافت: 30 دی 1401، تاریخ بازنگری: 27 اسفند 1401، تاریخ پذیرش: 24 فروردین 1402 | ||
| چکیده | ||
| تشخیص و طبقه‌بندی شناورهای دریایی از سیگنال‌های ساطع‌شده از آن‌ها، یک وظیفه‌ی مهم و با کاربردهای نظامی حیاتی، به‌ویژه در شرایط بحرانی و جنگ است. از زمان‌های قدیم تا به امروز، این وظیفه، به‌صورت سنتی توسط افسرهای سونار به کمک سیگنال‌های آکوستیکی دریافت شده توسط هیدروفون‌های سونار انجام می‌شد. امروزه، ارائه راهکارهایی که این وظیفه را به‌صورت خودکار و با کمترین دخالت انسان انجام دهند، یک ضرورت اجتناب‌ناپذیر است. در این پژوهش، با استفاده از روش‌های مختلف پیش‌پردازش و آماده‌سازی داده، ابعاد مجموعه داده تحت سناریوهای خاص گسترش داده می‌شود. با پردازش سیگنال، ویژگی‌های مختلفی را از مجموعه داده‌ای مربوط به سناریوهای مختلف استخراج می‌شود و توسط دانش یادگیری ماشین، الگوریتم‌های طبقه‌بندی متنوعی را به کار می‌رود. درنهایت، با محاسبه معیارهای ارزیابی مختلف، عملکرد سناریوهای مختلف بررسی و تحلیل می‌شود. نتایج این تحقیق، موفقیت‌آمیز بودن روش استخراج ویژگی ضرایب کپسترال فرکانسی مل (MFCC) را در هنگام به‌کارگیری الگوریتم‌های طبقه‌بندی مختلف، ازجمله شبکه عصبی مصنوعی (ANN) و همچنین شکست روش شبکه عصبی پیچشی (CNN) را در هنگام آموزش توسط مجموعه داده‌های کوچک نشان می‌دهد. با مقایسه نتایج شبیه‌سازی معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ANN بهترین کارایی را داشته است. | ||
| کلیدواژه‌ها | ||
| طبقه بندی شناورهای دریایی؛ هیدروفون های سونار؛ امضای آکوستیکی؛ گسترش داده‌ها؛ ضرایب کپسترال فرکانسی مل؛ شبکه عصبی مصنوعی؛ شبکه عصبی کانولوشنی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 50 |
||