پیام خود را بنویسید
                  برگشت به فهرست مقالات | برگشت به فهرست نسخه ها

XML English Abstract Print

بازشناسی خودکار اهداف سوناری مبتنی بر طبقه‌بند گروهی با آرای اکثریت وزن‌دهی شده با الگوریتم بهینه‌سازی پیاده‌روی
عباس صفاری1 ، مهدی جعفری مقدم*2 ، نجمه قنبری3
1- مدرس دانشگاه علوم دریایی امام خمینی (ره) نوشهر و مرکز آموزشهای تخصصی دریایی امام جعفر صادق (ع) نداجا، بوشهر
2- مدرس دانشگاه علوم دریایی امام خمینی (ره) نوشهر و پژوهشگر سازمان تحقیقات و جهاد خودکفایی نداجا
3- استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه زابل
چکیده:   (64 مشاهده)
 این مقاله به بررسی بازشناسی خودکار اهداف سوناری با استفاده از طبقه‌بند گروهی می‌پردازد که از آرای اکثریت وزن‌دهی شده و بهینه‌سازی شده با الگوریتم بهینه‌سازی پیاده‌روی (HOA) بهره می‌گیرد. اهداف پیچیده سوناری و چالش‌های محیطی در دریاها، نیاز به تکنیک‌های پیشرفته هوش مصنوعی را افزایش داده است که دقت و انعطاف‌پذیری بالایی دارند. HOA، که بر اساس الگوی کوهنوردی است، تلاش می‌کند تا بهینه‌سازی دقیق‌تری را برای وزن‌دهی طبقه‌بندهای پایه فراهم کند. این مقاله از پنج طبقه‌بند پایه شامل XGBoost، LightGBM، CatBoost، رگرسیون لجستیک (LR)، و تقویت گرادیانی (GBM) استفاده می‌کند که با ترکیب آن‌ها در یک طبقه‌بند گروهی مبتنی بر MV-HOA، دقت بازشناسی و کاهش خطا بهبود می‌یابد. نتایج نشان می‌دهند که استفاده از روش طبقه‌بند گروهی با الگوریتم HOA، توانایی‌های قابل توجهی در شناسایی اهداف سونار دارد و می‌تواند برای کاربردهای صنعتی و نظامی مفید باشد. این روش نوآورانه علاوه بر بهینه‌سازی آرای طبقه‌بندها، کارایی مناسب را درعملکرد خود نشان داده و امکان به‌کارگیری آن در محیط‌های پیچیده دریایی را فراهم می‌کند.
.
واژه‌های کلیدی: الگوریتم پیاده‌روی، بازشناسی خودکار، هوش مصنوعی، سونار، طبقه بند گروهی
متن کامل [PDF 1228 kb]   (28 دریافت)    

نکات برجسته مقاله
  1. ارائه یک سیستم بازشناسی خودکار اهداف سونار با استفاده از یک طبقه‌بند گروهی جدید به نام MV-HOA که پنج طبقه‌بند پایه (XGBoost, LightGBM, CatBoost, LR, GBM) را ترکیب می‌کند.
  2. به‌کارگیری الگوریتم بهینه‌سازی پیاده‌روی (HOA) برای تعیین وزن بهینه هر یک از طبقه‌بندهای پایه در فرآیند رأی‌گیری اکثریت، که منجر به تعادل بهتر بین اکتشاف و بهره‌برداری می‌شود.
  3. دستیابی به دقت بازشناسی بسیار بالا (حتی بیش از 99٪) در شناسایی اهداف سونار در شرایط مختلف، از جمله در نسبت‌های سیگنال به نویز (SNR) پایین و زوایای دید متفاوت.
  4. نشان‌دادن برتری عملکرد روش پیشنهادی در مقایسه با طبقه‌بندهای پایه منفرد و نیز الگوریتم‌های بهینه‌سازی دیگر مانند PSO و WOA، هم از نظر دقت و هم پایداری.
  5. اثبات قابلیت کاربردی این روش در محیط‌های پیچیده دریایی برای کاربردهای عملی و بلادرنگ مانند شناسایی اهداف نظامی و نظارت بر محیط‌های دریایی.

نوع مطالعه: مقاله پژوهشي | موضوع مقاله: موتور اصلي، ماشين‌آلات و سيستم‌هاي الكتريكي
دریافت: 1404/2/22 | پذیرش: 1404/7/26
فایل صوتی چکیده مقاله [MP3 2138 KB]  (5 دریافت)
فهرست منابع
1. M. Khishe and H. Mohammadi, "Passive sonar target classi fi cation using multi-layer perceptron trained by salp swarm algorithm," Ocean Eng., vol. 181, no. May 2018, pp. 98-108, 2019, doi: 10.1016/j.oceaneng.2019.04.013. [DOI:10.1016/j.oceaneng.2019.04.013]
2. W. Qiao, M. Khishe, and S. Ravakhah, "Underwater targets classification using local wavelet acoustic pattern and Multi-Layer Perceptron neural network optimized by modified Whale Optimization Algorithm," Ocean Eng., vol. 219, no. June 2020, p. 108415, 2021, doi: 10.1016/j.oceaneng.2020.108415. [DOI:10.1016/j.oceaneng.2020.108415]
3. F. A. Alenizi, O. M. Alsalami, A. Safari, S. H. Zahiri, and M. Mohammadi, "Decision Fusion and Micro-Doppler Effects in Moving Sonar Target Recognition," vol. 2023, 2023. [DOI:10.1155/2023/2768126]
4. A. SAFFARI, S. H. ZAHIRI, and N. K. GHANAD, "Using SVM Classifier and Micro-Doppler Signature for Automatic Recognition of Sonar Targets," Arch. Acoust., vol. 48, no. 1, pp. 49-61, 2023. [DOI:10.24425/aoa.2022.142909]
5. W. Kazimierski and G. Zaniewicz, "Determination of process noise for underwater target tracking with forward looking sonar," Remote Sens., vol. 13, no. 5, pp. 1-21, 2021, doi: 10.3390/rs13051014. [DOI:10.3390/rs13051014]
6. N. Hurtós, N. Palomeras, A. Carrera, and M. Carreras, "Autonomous detection , following and mapping of an underwater chain using sonar," Ocean Eng., vol. 130, no. May, pp. 336-350, 2016, doi: 10.1016/j.oceaneng.2016.11.072. [DOI:10.1016/j.oceaneng.2016.11.072]
7. A. Saffari, S. H. Zahiri, and M. Khishe, "Automatic recognition of sonar targets using feature selection in micro-Doppler signature," Def. Technol., 2022, doi: 10.1016/j.dt.2022.05.007. [DOI:10.1016/j.dt.2022.05.007]
8. D. Neupane and J. Seok, "A review on deep learning-based approaches for automatic sonar target recognition," Electron., vol. 9, no. 11, pp. 1-30, 2020, doi: 10.3390/electronics9111972. [DOI:10.3390/electronics9111972]
9. W. Tobler, Three presentations on geographical analysis and modeling: National Center for Geographic Information and Analysis., no. February. 1993.
10. M. F. Goodchild, Beyond Tobler's Hiking Function, vol. 52, no. 4. 2020. doi: 10.1111/gean.12253. [DOI:10.1111/gean.12253]
11. A. Kaveh and M. R. Moghaddam, "A hybrid WOA-CBO algorithm for construction site layout planning problem," vol. 25, pp. 1094-1104, 2018, doi: 10.24200/sci.2017.4212. [DOI:10.24200/sci.2017.4212]
12. A. Saffari, M. Khishe, M. Mohammadi, A. Hussein Mohammed, and S. Rashidi, "DCNN-FuzzyWOA: Artificial Intelligence Solution for Automatic Detection of COVID-19 Using X-Ray Images," Comput. Intell. Neurosci., vol. 2022, 2022, doi: 10.1155/2022/5677961. [DOI:10.1155/2022/5677961] [PMID] []
13. M. Khishe and M. R. Mosavi, "Improved whale trainer for sonar datasets classification using neural network," Appl. Acoust., vol. 154, pp. 176-192, 2019, doi: 10.1016/j.apacoust.2019.05.006. [DOI:10.1016/j.apacoust.2019.05.006]
14. A. Saffari, S. H. Zahiri, and M. Khishe, "Fuzzy whale optimisation algorithm: a new hybrid approach for automatic sonar target recognition," J. Exp. Theor. Artif. Intell., no. February, 2022, doi: 10.1080/0952813X.2021.1960639. [DOI:10.1080/0952813X.2021.1960639]
15. R. P. Gorman and T. J. Sejnowski, "Analysis of hidden units in a layered network trained to classify sonar targets," Neural Networks, vol. 1, no. 1, pp. 75-89, 1988, doi: 10.1016/0893-6080(88)90023-8. [DOI:10.1016/0893-6080(88)90023-8]
16. A. Saffari, S. Zahiri, and M. Khishe, "Automatic recognition of sonar targets using feature selection in micro-Doppler signature," Def. Technol., no. xxxx, 2022, doi: 10.1016/j.dt.2022.05.007. [DOI:10.1016/j.dt.2022.05.007]
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

Creative Commons License
International Journal of Maritime Technology is licensed under a

Creative Commons Attribution-NonCommercial 4.0 International License.