fa طبقه‌بندی موج‌های‌ضربه و نوفه‌های ضربه‌ای با استفاده از ویژگی‌های مبتنی بر دینامیک غیرخطی علامت (مقاله پژوهشی) پردازش علائم صوتی Signal Processing پژوهشي Research <div style="text-align: justify;"><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">طبقه‌بندی رخدادهای صوتی در سامانه‌های </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">حفاظتی </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">صوتی یکی از مورد توجه‌ترین زمینه‌های پژوهشی در سال‌های اخیر بوده است. یکی از بهترین سامانه‌های پرکاربرد این نوع سامانه‌ها، سامانه‌های تعیین موقعیت شکارچی در محیط‌زیست هستند. قابلیت اطمینان و عملکرد صحیح این سامانه‌ها به‌صورت قابل توجهی متاثر از کیفیت تفکیک و طبقه‌بندی علامت موج‌های‌ضربه‌ای (شوک) از نوفه‌های ضربه‌ای محیطی است. در این مطالعه با بهره‌گیری از ویژگی‌های مبتنی بر دینامیک غیرخطی و ماشین‌های بردار پشتیبان، اقدام به تفکیک موج‌ضربه (شوک) از سایر نوفه‌های دفعی (ضربه‌ای) شد. مجموعه ‌داده‌ها‌ی این مقاله به‌صورت بومی و در شرایط مختلف آب‌و‌هوایی و با عوارض متفاوت زمین ثبت شده و دارای تنوع داده‌ای </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">بسیار </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">مناسبی هستند</span></span><span dir="LTR"><span style="font-size:11.0pt;">.</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"> نتایج آزمون آماری بررسی واریانس، تفاوت معنادار میانگین همه ویژگی‌های استخراج‌شده </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">بین</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"> دو دسته‌ی موج‌ضربه (شوک) و نوفه‌های ضربه‌ای این مجموعه‌ی داده‌ها را نشان‌ داد، که بیانگر کیفیت بالای ویژگی‌های استفاده‌شده در این مقاله است. علاوه بر این، ماشین بردار پشتیبان توانست براساس ویژگی‌های استخراج‌شده در فرآیند ارزیابی تقاطعی با دقت</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"> 89_/6 درصد، ویژگی</span></span> <span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">۸۸ درصد و حساسیت ۹۲ درصد و ارزیابی با داده آزمون مستقل با دقت 90_/36 درصد، ویژگی 87_/5 درصد و حساسیت 91_/85 درصد، </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">موج‌ضربه (شوک) </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">را از نوفه‌های ضربه‌ای محیطی تفکیک نماید.</span></span><span dir="LTR"><span style="font-size:11.0pt;"></span></span></div> <div style="text-align: justify;">Classification of acoustic events in acoustic surveillance systems are of the most interesting research areas in recent years. Sniper localization systems are one of the important and applicable kinds of these systems in which detection and discrimination of the shock signals from environmental impulsive noises have a very important and significant effect on the reliability and performance of them. This study approaches the classification of the shock signals and impulsive noise using nonlinear dynamics-based features, for the first time, and the SVM with a multinomial kernel. The results of the Anova test in this study showed the good potential of the extracted features to discriminate the shocks form impulsive noises. Furthermore, the classification results confirm this remarkable ability. The performance of this study method yields to 89.6% accuracy, 88% specificity and 92% sensitivity in a 5-fold cross validation procedure. Also, the performance of the trained classifier dealing with an independent test set was 90.36% for the accuracy, 87.5% for the specificity and 91.85% for the sensitivity.<span dir="RTL"></span></div> سامانه‌های موقعیت‌یاب صوتی, دینامیکز غیرخطی, موج‌ضربه (شوک), نوفه دفعی (ضربه‌ای), استخراج ویژگی, ماشین‌های بردار پشتیبان. Acoustic localization system, Nonlinear dynamics, Shock, Impulsive noise, Feature Extraction, Support vector machine. 50 60 http://joasi.ir/browse.php?a_code=A-10-988-2&slc_lang=fa&sid=1 A. Janghorbani امین جانقربانی a.janghorbani@semnan.ac.ir 10031947532846002749 10031947532846002749 Yes دانشگاه سمنان M.J. Jannati محمد جواد جنتی mjannati@aut.ac.ir 10031947532846002750 10031947532846002750 No دانشگاه علم و صنعت R. Mahdiyani رحمان مهدیانی rahman.mahdiyani@auta.ac.ir 10031947532846002751 10031947532846002751 No پژوهشگر حوزه صوتیات