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.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
آوصوتیّات دریافت: 1401/9/29 | پذیرش: 1401/11/1 | انتشار: 1402/6/10