سامانههای سونار از جهات مختلفی از جمله کاربردهای نظامی، کشتیرانی، ماهیگیری و غیره دارای اهمیت ویژه هستند. از اینرو طبقهبندی دادههای سونار همواره مورد توجه متخصصان این حوزه میباشد. در این مقاله از دو روش آمادهسازی داده استفاده شد. در روش اول از کل ویژگیهای استخراجشده از دادهها و در روش پیشنهادی از بازه زمانی مورد استفاده برای استخراج ویژگی بهصورت دهتایی میانگینگیری شد. ساختارهای مختلف شبکه عصبی مصنوعی و تلفیق شبکه عصبی با الگوریتم ازدحام ذرات (پیاِساُو) برای دستیابی به بالاترین عملکرد در دستهبندی امواج صوتی منتشره شناورها براساس طول شناور مورد مقایسه قرار گرفتند. نتایج نشان دادند در حالت استفاده از ویژگیهای استخراجشده بهصورت خام در استفاده از شبکه عصبی مصنوعی، ساختار 2-2-2 در لایه پنهان دارای بالاترین عملکرد برای شرایط آموزش و آزمون برابر با 98/61 و 90 درصد بود. با استفاده از شبکه عصبی تلفیقی دقت طبقهبندی افزایش یافته و در شرایط آزمون به میزان 94/44 درصد رسید. در استفاده از روش پیشنهادی برای آمادهسازی دادههای استخراجشده، ساختار ساده یکلایه با شش نرون در لایه پنهان بالاترین میزان عملکرد در طبقهبندی ویژگیهای استخراجشده به میزان 100 درصد برای آموزش و آزمون را ارائه داد.
Abniki A, Sayyaadi H, Seif M. Classification of vessels based on their length using emitted sound by artificial neural network and hybrid particle swarm algorithm (Research Article). مجله علمی پژوهشی انجمن مهندسی صوتیات ایران 2023; 10 (2) :35-48 URL: http://joasi.ir/article-1-254-fa.html
آب نیکی علی اصغر، صیادی حسن، سیف محمد سعید. دستهبندی شناورها براساس طول آنها با استفاده از صدای منتشره به کمک شبکه عصبی مصنوعی و هیبرید الگوریتم ازدحام ذرات (مقاله پژوهشی). مجله علمی پژوهشی انجمن مهندسی صوتیات ایران. 1401; 10 (2) :35-48