Journal of Acoustical Society of Iran

fa مقایسه عملکرد شبکه‌های عصبی مصنوعی، هیبرید الگوریتم ژنتیک و هیبرید الگوریتم رقابت استعماری در دسته‌بندی صوتی شناورها براساس وزن آن‌ها (مقاله پژوهشی) Comparing the performance of artificial neural networks, hybrid genetic algorithm and hybrid imperialist competitive algorithm in acoustical classification of vessels based on their weight (Research Article) آوصوتیّات Hydroacoustics پژوهشي Research <div style="text-align: justify;">شناسایی دقیق و درست شناورهای در حال حرکت در آب‌ها از راه دور از جهات زیادی حائز اهمیت است. داشتن اطلاعات از نوع شناور باعث تصمیم‌گیری درست‌تر در قبال نحوه مواجهه با آن‌ها می‌شود. از این‌رو در این مطالعه شناورها براساس وزن آن‌ها، از روی امواج صوتی منتشره آن‌ها طبقه‌بندی شده‌اند. در مطالعه حاضر ویژگی‌های هر یک از امواج صوتی ضبط‌شده از شناورها با استفاده از روش ضرایب کپسترال بسامد مِل (اِم‌اِف‌سی‌سی) استخراج شد. نوآوری این مقاله بهره‌گیری هم‌زمان از شبکه‌های عصبی مصنوعی متنوع و شبکه‌های عصبی تلفیقی است. از این‌رو توانایی شبکه عصبی مصنوعی و هیبریدهای آن با الگوریتم ژنتیک (اِی‌اِن‌اِن- جی‌اِی) و الگوریتم رقابت استعماری (اِی‌اِن‌اِن- آی‌سی‌اِی) در طبقه‌بندی درست ویژگی‌های استخراج‌شده سنجش شد. نتایج نشان دادند شبکه عصبی مصنوعی پس‌انتشار پیش‌خور (بی‌پی- اِف‌اِف) با توابع یادگیری لونبرگ مارکوارت (اِل- اِم)، بیزین (بی‌آر) و پس‌انتشار ارتجاعی (آرپی) به ترتیب دارای دقت 86، 96 و 82 درصد در اختصاص ویژگی‌های هر موج صوتی شناور به آن شناور بودند. هم‌چنین شبکه‌های اِی‌اِن‌اِن- جی‌اِی و اِی‌اِن‌اِن- آی‌سی‌اِی به ترتیب دقت طبقه‌بندی برابر با 94 و 77 درصد را نشان دادند. در نهایت می‌توان نتیجه گرفت که شبکه عصبی مصنوعی با تابع یادگیری بیزین توانایی طبقه‌بندی قابل ‌قبول امواج صوتی منتشره از شناورها را دارد و می‌توان از آن در کاربردهای دریایی و نظامی استفاده کرد.</div> <div style="text-align: justify;">Accurate and correct identification of vessels moving in the waters from a distance is important in many ways. Having information type of vessels more correct decisions on how to deal with them. The sounds emitted by the vessels can be distinguished from each other and it is possible to identify the vessels by their sound. Therefore, in this study, the vessels have been classified based on their weight and the sound emitted by them. In the present study, the characteristics of each of the sounds recorded the vessels were extracted using the Mel-Frequency Cepstrum Coefficients (MFCC) method, and the ability of the artificial neural network and its hybrids with the Genetic Algorithm (ANN-GA) and the Imperialist Competitive Algorithm (ANN-ICA) The results showed that artificial neural network feed forward back propagation (BP-FF) with learning functions Levenberg-Marquardt (LM), Bayesian (BR) and Resilient Backpropagation (RP) has an accuracy of 86, 96 and 82 percent respectively in assigning the features of each vessels to them. Also, ANN-GA and ANN-ICA networks showed classification accuracy equal to 94% and 77%, respectively. Finally, it can be concluded that the Artificial Neural Network with the Bayesian learning function has the ability to acceptably classify the sounds emitted the vessels and can be used in marine and military applications.</div> شناور, صدا, شبکه عصبی مصنوعی, الگوریتم ژنتیک, الگوریتم رقابت استعماری. Vessel, Sound, Artificial neural network, Genetic algorithm, Imperialist competitive algorithm. 13 24 http://joasi.ir/browse.php?a_code=A-10-1130-3&slc_lang=fa&sid=1 A. Abniki علی اصغر آب نیکی aliasghar_abniki@yahoo.com 10031947532846003855 10031947532846003855 No Faculty of Mechanical Engineering, Sharif University of Technology دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف H. Sayyaadi حسن صیادی sayyaadi@sharif.edu 10031947532846003856 10031947532846003856 Yes Scientific Center of Hydrodynamics and Dynamics of Marine Vehicles, Faculty of Mechanical Engineering, Sharif University of Technology قطب علمی هیدرودینامیک و دینامیک متحرک‌های دریایی، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف M.S. Seif محمد سعید سیف seif@sharif.edu 10031947532846003857 10031947532846003857 No Scientific Center of Hydrodynamics and Dynamics of Marine Vehicles, Faculty of Mechanical Engineering, Sharif University of Technology قطب علمی هیدرودینامیک و دینامیک متحرک‌های دریایی، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف