سودابه افشار - دانشگاه صنعتی نوشیروانی بابل، بابل ، ایران
سید جواد کاظمی تبار - دانشگاه صنعتی نوشیروانی بابل، بابل ، ایران
عطاالله ابراهیم زاده - دانشگاه صنعتی نوشیروانی بابل، بابل ، ایران

تشخیص و طبقه بندی شناورهای دریایی از سیگنال های ساطع شده از آن ها، یک وظیفه ی مهم و با کاربردهای نظامی حیاتی، به ویژه در شرایط بحرانی و جنگ است. از زمان های قدیم تا به امروز، این وظیفه ، به صورت سنتی توسط افسرهای سونار به کمک سیگنال های آکوستیکی دریافت شده توسط هیدروفون های سونار انجام می شد. امروزه، ارائه راهکارهایی که این وظیفه را به صورت خودکار و با کمترین دخالت انسان انجام دهند، یک ضرورت اجتناب ناپذیر است. در این پژوهش، با استفاده از روش های مختلف پیش پردازش و آماده سازی داده، ابعاد مجموعه داده تحت سناریوهای خاص گسترش داده می شود. با پردازش سیگنال، ویژگی های مختلفی را از مجموعه داده ای مربوط به سناریوهای مختلف استخراج می شود و توسط دانش یادگیری ماشین، الگوریتم های طبقه بندی متنوعی را به کار می رود. درنهایت، با محاسبه معیارهای ارزیابی مختلف، عملکرد سناریوهای مختلف بررسی و تحلیل می شود. نتایج این تحقیق، موفقیت آمیز بودن روش استخراج ویژگی ضرایب کپسترال فرکانسی مل (MFCC) را در هنگام به کارگیری الگوریتم های طبقه بندی مختلف، ازجمله شبکه عصبی مصنوعی (ANN) و همچنین شکست روش شبکه عصبی پیچشی (CNN) را در هنگام آموزش توسط مجموعه داده های کوچک نشان می دهد. با مقایسه نتایج شبیه سازی معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ANN بهترین کارایی را داشته است.

طبقه بندی شناورهای دریایی, هیدروفون های سونار, امضای آکوستیکی, گسترش داده ها, ضرایب کپسترال فرکانسی مل, شبکه عصبی مصنوعی, شبکه عصبی کانولوشنی