نوع مقاله: مقاله پژوهشی

نویسندگان

1 معاونت پژوهش دانشگاه علوم دریایی امام خمینی (ر0) نوشهر

2 استادیار دانشگاه علوم دریایی امام خمینی (ره)

3 دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)

چکیده

استفاده از سیگنال های آکوستیکی زیرآبی دریافت شده توسط هیدروفن ها به‌منظور ارتباط بین شناورها و مدل سازی سامانه های سوناری، بسیار اهمیت دارد. این مدل سازی برای دریافت داده های ورودی به‌صورت تک ویژگی با حداقل تعداد است. هدف از این مقاله، استخراج ویژگی های بهینه ضرایب کپسترال فرکانس مل (MFCC) بدون کاهش دقت شناسایی برای کاربرد تشخیص سیگنال رسیده به سونار است. با توجه به اینکه تعداد ویژگی ها در پیچیدگی دسته بندی کننده بسیار مؤثر است، در این مقاله به‌منظور کاهش تعداد ویژگی ها، از الگوریتم بهینه‌ساز وال کوهان دار (WOA) استفاده خواهد شد. به‌منظور ارزیابی ویژگی های استخراج شده، از شبکه عصبی احتمالی (PNN) به عنوان دسته بندی کننده استفاده می شود. در این راستا، نتایج الگوریتم پیشنهادی با روش‌های MFCC متعارف و پویا مقایسه خواهد شد. نتایج شبیه‌سازی نشان‌دهنده آن است که تعداد ویژگی های MFCC از 13 عدد برای هر فریم به 5 عدد کاهش می یابد، بدون آنکه دقت دسته بندی کننده کاهش یابد.

کلیدواژه‌ها

عنوان مقاله [English]

استخراج ویژگی های مطلوب حوزه ادراکی بهبود یافته توسط الگوریتم وال کوهان دار به منظور تشخیص اهداف آکوستیکی زیرآبی

نویسندگان [English]

  • Mohammad Khishe 2
  • B. Safarpour 3

2 Electronic Departemant, Imam Khomeini Marine University

3 دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)

چکیده [English]

استفاده از سیگنال های آکوستیکی زیرآبی دریافت شده توسط هیدروفن ها به‌منظور ارتباط بین شناورها و مدل سازی سامانه های سوناری، بسیار اهمیت دارد. این مدل سازی برای دریافت داده های ورودی به‌صورت تک ویژگی با حداقل تعداد است. هدف از این مقاله، استخراج ویژگی های بهینه ضرایب کپسترال فرکانس مل (MFCC) بدون کاهش دقت شناسایی برای کاربرد تشخیص سیگنال رسیده به سونار است. با توجه به اینکه تعداد ویژگی ها در پیچیدگی دسته بندی کننده بسیار مؤثر است، در این مقاله به‌منظور کاهش تعداد ویژگی ها، از الگوریتم بهینه‌ساز وال کوهان دار (WOA) استفاده خواهد شد. به‌منظور ارزیابی ویژگی های استخراج شده، از شبکه عصبی احتمالی (PNN) به عنوان دسته بندی کننده استفاده می شود. در این راستا، نتایج الگوریتم پیشنهادی با روش‌های MFCC متعارف و پویا مقایسه خواهد شد. نتایج شبیه‌سازی نشان‌دهنده آن است که تعداد ویژگی های MFCC از 13 عدد برای هر فریم به 5 عدد کاهش می یابد، بدون آنکه دقت دسته بندی کننده کاهش یابد.

کلیدواژه‌ها [English]

  • سونار
  • بهینه ساز وال کوهان دار
  • استخراج ویژگی