سال 10، شماره 1 - ( دو فصل‌نامه انجمن مهندسی صوتیات ايران بهار و تابستان 1401 )
جلد 10 شماره 1 صفحات 45-34 |
برگشت به فهرست نسخه ها
چکیده: (836 مشاهده)
استفاده از کوادکوپترهای تجاری یک فن‌اوری به سرعت در حال پیشرفت است که دارای کاربردهای بسیاری در بخش‌های خصوصی، تجاری و دولتی است. در حال حاضر، هیچ تضمینی برای تسهیل عملکرد ایمن این دستگاه‌ها در فضای جامعه وجود ندارد. در این مقاله، سه روش مختلف برای شناسایی خودکار کوادکوپترهای تجاری ارائه می‌شود. از بین سه فنّ ارائه شده، دو روش مبتنی بر شبکه‌های یادگیری عمیق است که در آن‌ها تمام مراحل استخراج ویژگی و طبقه‌بندی به‌صورت خودکار انجام می‌شود. روش‌های مبتنی بر یادگیری عمیق شامل شبکه‌های عصبی کانولوشن (سی‌اِن‌اِن)، شبکه‌های اِل‌اِس‌تی‌اِم و ترکیب آن‌ها است. روش سوم با استفاده از ضرایب کپسترال (به‌عنوان ویژگی) و ماشین‌های بردار پشتیبان (به‌عنوان طبقه‌بند) ارائه می‌شود. در این مقاله الگوریتم‌های مبتنی بر یادگیری عمیق از الگوهای طیفی منحصر به فرد کوادکوپترهای تجاری به‌منظور استخراج ویژگی استفاده می‌کنند. الگوهای طیفی با اعمال روش تبدیل فوریه کوتاه مدت روی داده‌های صوتی به‌دست می‌آیند. هم‌چنین، در روش سوم از ضرایب کپسترال و طبقه‌بند ماشین بردار پشتیبان به‌منظور شناسایی و دسته‌بندی علائم صوتی دریافتی استفاده می‌شود. عملکرد روش‌های مبتنی بر یادگیری عمیق و روش مبتنی بر ضرایب کپستروم با استفاده از مجموعه داده‌های صوتی ثبت‌شده از کوادکوپترهای تجاری مقایسه شده است. نتایج به‌دست آمده نشان می‌دهند که هر سه روش ارائه‌شده دارای عملکرد مناسبی در شناسایی کوادکوپترها هستند. با این حال، روش سی‌اِن‌اِن- اِل‌اِس‌تی‌اِم با فراهم نمودن میانگین دقت 95/31 درصد، میانگین حساسیت 96/24 درصد و میانگین اختصاصیت 95/61 درصد دارای بهترین عملکرد است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
پردازش علائم صوتی
دریافت: 1401/2/26 | پذیرش: 1401/4/23 | انتشار: 1401/6/31
دریافت: 1401/2/26 | پذیرش: 1401/4/23 | انتشار: 1401/6/31
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |