ارائه روش نوین جهت بهبود دسته بندی اهداف سونار با استفاده از شبکه عصبی و الگوریتم های یادگیری ماشین
ارائه روش نوین جهت بهبود دسته بندی اهداف سونار با استفاده از شبکه عصبی و الگوریتم های یادگیری ماشین
محمد اسماعیل پور1 علی درجانی مروی2
1) کارشناسی ارشد برق گرایش مخابرات، دانشگاه صنعتی سجاد مشهد، ایران
2) کارشناسی ارشد برق گرایش مکاترونیک، دانشگاه بین المللی امام رضا، مشهد، ایران
کد IOI مقاله
:
XDHZ-FBHBB
محل انتشار :
سومین کنفرانس مکانیک،مهندسی برق و کامپیوتر والنسیا اسپانیا(mecconf.com)
چکیده :
طبقهبندی و تفکیک اهداف از زمینههای تحقیقاتی مهم در سونار، رادار و دادهکاوی میباشد. طبقهبندی و تشخیص هدف در سونار در سادهترین حالت بدین معنی است که هدف چه نوع شناوری است قایق، کشتی و یا زیردریایی است اما هر کدام از این موارد هم میتوانند به چندین دسته مختلف تقسیم شوند. سیستم طبقهبندی اهداف سونار شامل سه مرحله اصلی: پیشپردازش، استخراج یا انتخاب ویژگیهای مهم و در انتها طبقهبندی و تشخیص میباشد. برای تمامی این مراحل در این رساله روشی معرفی شده است، هرکدام از این بخشها اهمیت خاصی در تعیین نتیجه مطلوب این سیستم دارد. پیشپردازش مطلوب باعث تعیین ویژگیهای بهتر و قابل تفکیک بیشتر میشود که نتیجه را به شدت ارتقا میدهد. استخراج ویژگیهای با تفکیکپذیری بیشتر، و عدم انتخاب ویژگیهای نامرتبط و اطلاعات اضافی باعث تفکیکپذیری بیشتر کلاسها در عین کمکردن ابعاد مسئله میشود. همچنین در این رساله از مجموعه داده پیشپردازش شده سونار استفاده شده سپس با استفاده از روشهای مختلف استخراج ویژگی از قبیل: الگوریتم بهینهسازی ژنتیک GA، الگوریتم جستجوی مستقیم دنبالهای SFS و تجزیه مولفه اساسیPCA ابعاد مسئله کاهش یافته سپس با استفاده از روشهای طبقهبندی همچون تعداد نزدیکترین همسایگیKNN، شبکه عصبی ANN و روش پیشنهادی یعنی ماشین بردار پشتیبان SVM، به طبقهبندی و ارائه نتایج پرداخته شده است. همچنین روش تغییر فضای ویژگی LDA نیز برای ارزیابی طبقهبندهای مذکور روی این نوع داده پیادهسازی شدهاست. همچنین بدون استخراج ویژگی وکاهش ابعاد مسئله نیز به طبقهبندی دادهها با روشهای طبقهبندی مذکور پرداخته شده است. در تمامی حالات طبقهبندی از اعتبارسنجی متقاطع به منظور آزمایش تمام حالات داده استفاده شده است.
کلمات کلیدی : طبقهبندی استخراج ویژگی ماشین بردار پشتیبان سونار شبکه عصبی کاهش ابعاد