مقایسه دقت و زمان کلاس بندی الگوریتم های ماشین بردار پشتیبان و شبکه عصبی برای شناسایی غواص

ویژگیهای منحصر به فرد و امکان انتشار آسان سیگنال های صوتی در محیط زیر آب، امکان شناسایی و ردگیری اهداف زیر آبی بوسیله آنها را فراهم میکند. از جمله کاربردهای پدافندی سیگنال صوتی در حوزه دریا را میتوان استفاده از سونار برای شناسایی غواص به منظور جلوگیری از نفوذ غواصان در نیروگاه های ساحلی و همچنین حفاظت از تجهیزات بندرگاهی و... نام برد. برای این مقصود شناسایی صحیح غواص از سایر اهداف زیرآبی مانند: دلفین ها و توده ماهی ها اهمیت می یابد. در این مقاله برای شناسایی غواص از دو روش کلاس بندی اهداف ماشین بردار پشتیبان و شبکه عصبی استفاده شده است و برای این کار از دو ویژگی قدرت هدف و سرعت هدف بهره گرفته شده است. در انتها نتایج این روش ها براساس دقت و زمان کلاس بندی و شناسایی مورد ارزیابی قرارگرفته است. شبیه سازی ها نشان دهنده آن است که ماشین بردار پشتیبان با تابع کرنل RBF بهترین نتیجه را دارد.

Keywords:

سونار , شناسایی غواص , ماشین بردار پشتیبان (SVM) , شبکه عصبی , کلاس بندی اهداف , قدرت هدف(TS)