آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,989,648
تعداد دریافت فایل اصل مقاله4,033,175
افشار, سودابه, کاظمی‌تبار, سید جواد, ابراهیم زاده, عطاالله. (1402). ارائه یک روش مؤثر برای به‌دست‌آوردن امضای آکوستیک. پدافند الکترونیکی و سایبری, 14(1), 23-38.
سودابه افشار; سید جواد کاظمی‌تبار; عطاالله ابراهیم زاده. "ارائه یک روش مؤثر برای به‌دست‌آوردن امضای آکوستیک". پدافند الکترونیکی و سایبری, 14, 1, 1402, 23-38.
افشار, سودابه, کاظمی‌تبار, سید جواد, ابراهیم زاده, عطاالله. (1402). 'ارائه یک روش مؤثر برای به‌دست‌آوردن امضای آکوستیک', پدافند الکترونیکی و سایبری, 14(1), pp. 23-38.
افشار, سودابه, کاظمی‌تبار, سید جواد, ابراهیم زاده, عطاالله. ارائه یک روش مؤثر برای به‌دست‌آوردن امضای آکوستیک. پدافند الکترونیکی و سایبری, 1402; 14(1): 23-38.

ارائه یک روش مؤثر برای به‌دست‌آوردن امضای آکوستیک

علوم و فناوریهای پدافند نوین
مقاله 3، دوره 14، شماره 1 - شماره پیاپی 51، خرداد 1402، صفحه 23-38    اصل مقاله (1.06 M)
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 وظیفة 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 ارائه است.
کلیدواژه‌ها
طبقه‌بندی شناورهای دریایی؛ هیدروفون‌های سونار؛ امضای آکوستیکی؛ گسترش داده‌ها؛ ضرایب کپسترال فرکانسی مل؛ شبکه عصبی مصنوعی؛ شبکه عصبی پیچشی
عنوان مقاله [English]
An Effective Acoustic Signature Extraction Based on Optimization
نویسندگان [English]
Soudabeh Afshar؛ Javad Kazemitabar؛ Ata Ebrahimzadeh
Babol Noshirvani University of Technology
چکیده [English]
Identifying and classifying marine vehicles is of great significance in military applications. Traditionally, this task was performed by sonar officers based on acoustic signals received by sonar hydrophones. Nowadays, developing systems that perform this task automatically and with minimal human intervention is inevitable. In this study, using different augmentation methods, the size of this dataset is expanded under different scenarios. With the help of signal processing and machine learning knowledge, different features are extracted and next these features are classified using different classification algorithms. Finally, the performance of different scenarios is evaluated by calculating different measures. Results of this study show the success of the Mel-Frequency Cepsteral Coefficient (MFCC) feature extraction method when using various classification algorithms, including Artificial Neural Network (ANN) and also the failure of Convolutional Neural Network (CNN) when training with small datasets. The overall comparison reveals that due to the small number of samples in the dataset, ANN presents the best performance
کلیدواژه‌ها [English]
Marine Vehicle Classification, Sonar Hydrophone, Acoustic Signature, Data Augmentation, Mel-Frequency Cepsteral Coefficients, Artificial Neural Network, Convolutional Neural Network
مراجع
  1. [1] Axelsson, O. “Automatic Classification of Surface Ships Based on Signals from Passive Underwater Sensors”; M.S. Thesis, Lulea University of Technologhy, Sweden, 2018.
  2. [2] Malfante, M.; Mars, J. I.; Della Mura, M.; Gervaise, C. “Automatic Fish Sounds Classification”; Acoust. Soc. Am. 2018, 143, 2834-2846. https://doi.org/10.1121/ 1.5036628.
  3. [3] Neupane, D.; Seok, J. “A Reviewon Deep Learning-Based Approaches for Automatic Sonar Target Recognition”; Electronics 2020, 9, 1972. https://doi.org/10.3390/ electronics9111972.
  4. [4] Bach, H.; Vue, L. H.; Nguyen, V. D. “Classification of Surface Vehicle Propeller Cavitation Noise using Spectrogram Processing in Combination with Convolution Neural Network”; Sensors 2021, 21, 3353. https://doi.org/ 10.3390/s21103353.
  5. [5] Leal, N.; Leal, E.; Sanchez, G. “Marine Vessel Recognition by Acoustic Signature”; ARPN Eng. Appl. Sci. 2015, 10, 9633-9639.
  6. [6] Khishe, M.; Mohammadi, H. “Passive Sonar Target Classification using Multi-Layer Perceptron Trained by Salp Swarm Algorithm”; Ocean Eng. 2019, 181, 98-108. https:// doi.org/10.1016/j.oceaneng.2019.04.013
  7. [7] Shadojahromi, M.; Bagheri, V.; Rostami, H.; Keshavarz, A. “New Solotion for Process and Classifying Inactive Sonar Signal with Echo Sound Features”; Third Int. Conf. and first Int. Practical Research in Electronic and Mechanics and Mechatronics, 2015 (In Persian).
  8. [8] Sayyadi, H.; Seyf, M.; Abniki, A. “Classifying and Identifying Underwater Purposes Based on Emitted Sound Signals”; Sea Engineering Publication, 2018 (In Persian). https://doi.org/1001.1.17357608.1396.13.26.4.2.
  9. [9] San Fransisco Maritime National Park Association website
  10. Rodriguez Molinuevo, J. “Right Whale up-call Detection using Deep Classifiers Over Underwater Noisy Recordings”; M.S. Thesis, Rovira i Virgili University, Spain, Oct. 2019.
  11. Gimse, H. “Classification of Marine Vessels using Sonar Data and a Neural Network”; M.S. Thesis, Norwegian University of Science and Technologhy Apr. 2017, Norway.
  12. Github; Chin, Ch.; Right-Whale-Convolutional-Neural-Network
  13. Mimura, ; Mimura, K.; Nakamura, K.;  Takao, K.; Yasukawa, K.; Kato, Y. “Automated Detection of Hydrothermal Emission Signatures from Multi-Beam Echo Sounder Images Using Deep Learning”; IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 2023, 16, 2703-2710. https://doi.org/10.2343/ geochemj.2.0419.
  14. Khishe; “DRW-AE: A Deep Recurrent-Wavelet Autoencoder for Underwater Target Recognition”; IEEE J. Oceanic Eng. 2022, 47, 1083-1098. https://ieeexplore. ieee.org/document/9852135.
آمار
تعداد مشاهده مقاله: 100
تعداد دریافت فایل اصل مقاله: 66