اخبار و اعلانات

 آمار

تعداد نشریات34
تعداد شماره‌ها1,290
تعداد مقالات9,314
تعداد مشاهده مقاله8,817,384
تعداد دریافت فایل اصل مقاله5,349,588
اکبریان, حسن, صداقی, محمدحسین. (1402). شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل نت. پدافند الکترونیکی و سایبری, 14(1), 39-50.
حسن اکبریان; محمدحسین صداقی. "شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل نت". پدافند الکترونیکی و سایبری, 14, 1, 1402, 39-50.
اکبریان, حسن, صداقی, محمدحسین. (1402). 'شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل نت', پدافند الکترونیکی و سایبری, 14(1), pp. 39-50.
اکبریان, حسن, صداقی, محمدحسین. شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل نت. پدافند الکترونیکی و سایبری, 1402; 14(1): 39-50.

شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل نت

علوم و فناوریهای پدافند نوین
مقاله 4، دوره 14، شماره 1 - شماره پیاپی 51، خرداد 1402، صفحه 39-50    اصل مقاله (2.16 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
حسن اکبریان* 1؛ محمدحسین صداقی2
1دانشجو ی دکتری، دانشگاه صنعتی سهند -تبریز-ایران
2استاد ، دانشگاه صنعتی سهند، تبریز، ایران
تاریخ دریافت: 21 دی 1401،  تاریخ بازنگری: 21 فروردین 1402،  تاریخ پذیرش: 22 اردیبهشت 1402 
چکیده
با حرکت شناورها بر روی آب و فعالیت موتورهای پیشرانه و چرخش پروانه‌های آن، سیگنال‌های صوتی از آنها منتشر می‌شود که اصطلاحاً به آن نویز منتشر شده از کشتی گفته می‌شود. امروزه نیروهای دریایی جهان با استفاده از این صداها، نسبت به شناسایی شناورهای سطحی عبوری از آب‌های سرزمینی و بین‌المللی اقدام می‌کنند. یکی از بهترین روش‌ها برای دسته‌بندی و شناسایی شناورها با توجه به صداهای منتشر شده از آنها، یادگیری عمیق است. با استفاده از یادگیری عمیق، ویژگی‌های منحصربه‌فرد سیگنال قابل‌استخراج بوده که از دقت بالایی در شناسایی اهداف برخوردار است.  در این مقاله مدلی مبتنی بر شبکه موبایل نت طراحی گردیده است که سیگنال‌های صوتی دریافت شده توسط گیرنده‌های صوتی زیر آب‌ (هایدروفون‌ها) را پردازش نموده و درنهایت بادقت بالایی طبقه‌بندی می‌نماید. ورودی این مدل تصاویر طیف‌نگار مربوط به داده‌های صوتی سونار غیرفعال است که با استفاده از تبدیل فرکانسی کوتاه‌مدت (STFT) تولید شده‌اند. این مدل در برنامه پایتون و با استفاده از کتابخانه کراس ایجاد شده و نتایج به دست آمده نشان می‌دهد دقت شناسایی مدل پیشنهادی بیش از 96% و زیان ارزیابی آن کمتر از 3% است. نسبت به روش‌های متداول یادگیری عمیق، روش پیشنهادی علاوه بر داشتن سرعت محاسباتی مناسب، از دقت شناسایی قابل قبولی نیز برخوردار است.
کلیدواژه‌ها
شناورهای سطحی؛ یادگیری عمیق؛ سونار غیرفعال؛ شناسایی صوت زیر آب
عنوان مقاله [English]
Surface Vessels, Deep Learning, Passive Sonar, Underwater Acoustic Recognition.
نویسندگان [English]
hassan akbarian1؛ Mohammad Hossein Sedaaghi2
1PhD student, Sahand University of Technology, Tabriz, Iran
2Professor، Sahand University of Technology، Tabriz, East Azerbaijan, IRAN
چکیده [English]
With the movement of the vessels in the water and the activity of the propulsion engines and the rotation of its propellers, they emit sound signals from them, which are called the ship's radiated noises. Today, the naval forces of the world use these sounds to identify surface vessels passing through territorial and international waters. One of the best methods for classifying and recognizing vessels according to the sounds emitted by them is deep learning. By using deep learning, it can extract the unique features of the signal, which have high accuracy in recognition. This paper designed a model based on the Mobilenet network, which processes the acoustic signals received by underwater sound receivers (hydrophones) and finally classifies them with high accuracy. The input of this model is the spectrogram images related to passive sonar sound data, which are produced using short-term frequency transformation (STFT). We created this model in the Python program using the keras library and the results show that the accuracy of the proposed model is more than 96% and its evaluation loss is less than 3%. Compared to the common methods of deep learning, the proposed method, in addition to having a suitable calculation speed, also has an acceptable recognition accuracy.
کلیدواژه‌ها [English]
Surface Vessels, Deep Learning, Passive Sonar, Underwater Acoustic Recognition
مراجع
  1. [1] Hu, G.; Wang, K.; Peng, Y.; Qiu, M.; Shi J.; Liu, L. “Underwater Acoustic Target Recognition Based on Supervised Feature-Separation Algorithm”; Intell. Neurosci. 2018, Article ID 1214301, 10 pages.
  2. [2] Yan, J.; Sun, H.; Chen, H.; Junejo, N. R.; Cheng, E. “Resonance-Based Time-Frequency Manifold for Feature Extraction of Ship-Radiated Noise”; Sensors 2018, 18, 936.
  3. [3] Neupane, D.; Seok, J. “A Review on Deep Learning-Based Approaches for Automatic Sonar Target Recognition”; J. Electronics 2020, 9, 1972.
  4. [4] Howard, A.; Sandler, M.; Chu, G.; Chen, L.;  Chen, B.;  Tan, M.; Wang, W.;  Zhu, Y.; Pang, R.; Vasudevan, V. “Searching for Mobilenetv3”; Proc. IEEE Int. Conf. Comput. Vis. CVF, 2019, 1314-1324
  5. [5] Gorman, R. P.; Sejnowski, T. J. “Learned Classification Of Sonar Targets Using a Massively Parallel Network”; IEEE Trans. Acoust. 1988, 36, 1135-1140. https://doi.org/ 10.1109/29.1640.
  6. [6] Chin-Hsing, C.; Jiann-Der, L.; Ming-Chi, L. “Classification of Underwater Signals Using Wavelet Transforms and Neural Networks”; Math. Comput. Model, 1998, 27, 47-60. https://doi.org/10.1016/S0895-7177(97)00259-8.
  7. [7] Azimi-Sadjadi, M. R.; Yao, D.; Dobeck, G. “Underwater Target Classification Using Wavelet Packets and Neural Networks”; IEEE Trans. Neural. Netw. 2000, 11, 784-794.
  8. [8] Baran, R. H.; Coughlin, J. P. “A Neural Network for Target Classification Using Passive Sonar”; IEEE ACM. 1991, 188–198.
  9. [9] Williams, D. P. “Underwater Target Classification in Synthetic Aperture Sonar Imagery Using Deep Convolutional Neural Networks”; 23rd ICPR, 2016, 2497–2502.
  10. Galusha, A.; Dale, J.; Keller, J.; Zare, A.; “Deep Convolutional Neural Network Target Classification for Underwater Synthetic Aperture Sonar Imagery”; of SPIE. 2019,11012. 1101205.
  11. Bach, N. H.; Vu, L. H.; Nguyen, V. D. “Classification of Surface Vehicle Propeller Cavitation Noise Using Spectrogram Processing in Combination with Convolution Neural Network”; Sensors 2021, 21, 1-18.
  12. Yang, H.; Shen, S.; Yao, X.; Sheng, M.; Wang, C. “Competitive Deep-Belief Networks for Underwater Acoustic Target Recognition”; Sensors 2018, 18, 952.
  13. Park, J.; Jung, D. J. “Identifying Tonal Frequencies in a Lofargram with Convolutional Neural Networks”; ICCAS. 2019, 19, 338-341. https://doi.org/10.23919/ ICCAS47443.2019.8971701.
  14. Yang, H.; Xue, L.; Hong, X.; Zeng, X. “A Lightweight Network Model Based on an Attention Mechanism for Ship-Radiated Noise Classification”; Mar. Sci. Eng. 2023, 11, 1-17. https://doi.org/10.3390/jmse11020432
  15. Miao, Y.; Zakharov, Y.; Sun, H.; Li, J.; Wang, J. “Underwater Acoustic Signal Classification Based on Sparse Time–Frequency Representation and Deep Learning”; IEEE J. Ocean. Eng. 2021, 46, 952-962. https://doi.org/1109/JOE.2020.3039037
  16. Yang, H.; Sheng, S.; Yao, X.; Li, J.; Xu, X.; Sheng, M. “Ship Type Classification by Convolutional Neural Networks with Auditory-Like Mechanisms”; Sensors 2020, 20, 253.
  17. Jin, A.; Zeng, X. “A Novel Deep Learning Method for Underwater Target Recognition Based on Res-Dense Convolutional Neural Network with Attention Mechanism”; Mar. Sci. Eng. 2023, 11, 1-20.
  18. Jiang, Z.; Zhao, C.; Wang, H. “Classification of Underwater Target Based on S-ResNet and Modified DCGAN Models”; Sensors 2022, 22, 2293.
  19. Tian, S.; Chen, D.; Wang, H.; Liu, J. “Deep Convolution Stack for Waveform in Underwater Acoustic Target Recognition”; Sci. Rep. 2021, 11, 9614.
  20. Hu, G.; Wang, K.; Liu, L. “Underwater Acoustic Target Recognition Based on Depthwise Separable Convolution Neural Networks”; Sensors 2021, 21, 1429.
  21. Chen, J.; Chang, L.; Zhang, J.; Han, B. “Underwater Target Recognition based on Multi-Decision LOFAR Spectrum Enhancement: A Deep Learning Approach”; Future Internet 2021, 13, 265.
  22. Saffari, A.; Zahiri, S. H.; Khozein Ghanad, N. “Using SVM Classifier and Micro-Doppler Signature for Automatic Recognition of Sonar Targets”; Archives of Acoustics 2023, 48, 49–61.
  23. Hong, F.; Liu, C.; Guo, L. “Underwater Acoustic Target Recognition with ResNet18 on ShipsEar Dataset”; 4th International Conference on Electronics Technology, Chengdu, China, 2021, 1240–1244.
  24. Li, L.; Song, S.; Feng, X. “Combined LOFAR and DEMON Spectrums for Simultaneous Underwater Acoustic Object Counting and F0 Estimation”; J. Mar. Sci. Eng. 2022, 10, 1565.
  25. Kamal, S.; Chandran, C. S.; Supriya, M. H. “Passive Sonar Automated Target Classifier for Shallow Waters Using End-to-End Learnable Deep Convolutional LSTMs”; Engineering Science and Technology 2021, 1-12.
  26. Ke, X.; Yuan, F.; Cheng, E. “Deep Learning Methods for Underwater Target Feature Extraction and Recognition”; Sensors 2018, 18, 4318.
  27. Kulkarni, U.; Meena, S. M.; Sunil, V.; Gopal, B. “Quantization Friendly MobileNet (QF-MobileNet) Architecture for Vision Based Applications on Embedded Platforms”; Neural. Networks. 2021, 136, 28–39.
  28. Howard, A. G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H. “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications”; Cite Arxiv:1704.04861. CVPR, 2017.
  29. Santos-Domínguez, D.; Torres-Guijarro, S.; Cardenal-López, A.; Pena-Gimenez, A. “ShipsEar: an Underwater Vessel Noise Database”; Appl Acoust. 2016, 113, 64-69.
  30. Tan, L.; Jiang, J. “Digital Signal Processing”; 3rd England, 2019, Chapter7, 229-313.
  31. Neupane, D.; Seok, J. “A Review on Deep Learning-Based Approaches for Automatic Sonar Target Recognition”; J. Electronics 2020, 9, 1972.
  32.  
آمار
تعداد مشاهده مقاله: 211
تعداد دریافت فایل اصل مقاله: 253