fa بازشناسی خودکار اهداف سوناری مبتنی بر طبقه‌بند گروهی با آرای اکثریت وزن‌دهی شده با الگوریتم بهینه‌سازی پیاده‌روی موتور اصلي، ماشين‌آلات و سيستم‌هاي الكتريكي Main Engine & Electrical Equipments مقاله پژوهشي Research Paper <table align="right" class="MsoTableGrid" dir="rtl" style="width:681px; border-collapse:collapse; border:none" width="681"> <tbody> <tr> <td style="border-bottom:1px solid black; width:463px; padding:6px 0cm 6px 0cm; border-top:1px solid black; border-right:none; border-left:none" valign="top"><span style="font-size:12pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">&nbsp;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 (</span></span><span dir="LTR" style="font-size:9.0pt">HOA</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">) 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. </span></span><span dir="LTR" style="font-size:9.0pt">HOA</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، 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 </span></span><span dir="LTR" style="font-size:9.0pt">XGBoost</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، </span></span><span dir="LTR" style="font-size:9.0pt">LightGBM</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، </span></span><span dir="LTR" style="font-size:9.0pt">CatBoost</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، رگرسیون لجستیک (</span></span><span dir="LTR" style="font-size:9.0pt">LR</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">)، و تقویت گرادیانی (</span></span><span dir="LTR" style="font-size:9.0pt">GBM</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">) استفاده می‌کند که با ترکیب آن‌ها در یک طبقه‌بند گروهی مبتنی بر </span></span><span dir="LTR" style="font-size:9.0pt">MV-HOA</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، دقت بازشناسی و کاهش خطا بهبود می‌یابد. نتایج نشان می‌دهند که استفاده از روش طبقه‌بند گروهی با الگوریتم </span></span><span dir="LTR" style="font-size:9.0pt">HOA</span><span lang="AR-SA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">، 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. </span></span><span lang="FA" style="font-size:10.0pt"><span style="font-family:"B Nazanin""></span></span></span></span></span></span></span></span></td> </tr> </tbody> </table> <font style="vertical-align: inherit;"><font style="vertical-align: inherit;">.</font></font> <table class="MsoTableGrid" style="width:680px; border-collapse:collapse; border:none" width="680"> <tbody> <tr> <td style="border-bottom:1px solid black; width:463px; padding:6px 0cm 6px 0cm; border-top:1px solid black; border-right:none; border-left:none" valign="top"><span style="font-size:12pt"><span style="background:white"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="color:#111111">This paper investigates the automatic recognition of sonar targets using group classification that uses majority votes <span style="background:white">weighted</span> and optimized by the Hiking Optimization Algorithm (HOA). Complex sonar targets and environmental challenges in the seas have increased the need for advanced AI techniques that are highly accurate and flexible. The HOA, which is based on the climbing model, strives to provide a more accurate optimization for the weighting of base classifications. This paper uses five basic <span style="background:white">classifiers</span>, including XGBoost, LightGBM, CatBoost, Logistic Regression (LR), and Gradient Boosting Machine (GBM), which improve the accuracy of recognition and error reduction by combining them into an MV-HOA-based group classifier</span></span><span style="font-size:10.0pt"><span style="color:black">. </span></span><span style="font-size:10.0pt"><span style="color:#111111">The results show that the use of group classification method <span style="background:white">with</span> HOA algorithm has significant capabilities in identifying sonar targets and can be useful for industrial and military applications. This innovative method not only optimizes classifier votes, but also reduces computational complexity and allows it to be applied in complex marine environments.</span></span><span style="font-size:10.0pt"></span></span></span></span></span></span></span></td> </tr> </tbody> </table> الگوریتم پیاده‌روی,بازشناسی خودکار,هوش مصنوعی,سونار,طبقه بند گروهی Hiking Optimization Algorithm,Automatic Target Recognition,AI,SONAR,group classifier 77 88 http://marine-eng.ir/browse.php?a_code=A-10-1928-1&slc_lang=fa&sid=1 Abbas Saffari عباس صفاری Abbas.saffari@birjand.ac.ir 10031947532846006200 10031947532846006200 No Teacher and researcher at the Imam Ja'far Sadiq Naval Special Training Center, Bushehr مدرس دانشگاه علوم دریایی امام خمینی (ره) نوشهر و مرکز آموزشهای تخصصی دریایی امام جعفر صادق (ع) نداجا، بوشهر Mehdi Jafari Moghaddam مهدی جعفری مقدم mehdi.jm1358@gmail.com 10031947532846006201 10031947532846006201 Yes Imam Khomeini University of Marine Science in Nowshahr & Naval Research Organization مدرس دانشگاه علوم دریایی امام خمینی (ره) نوشهر و پژوهشگر سازمان تحقیقات و جهاد خودکفایی نداجا Najme Ghanbari نجمه قنبری n.ghanbari@uoz.ac.ir 10031947532846006202 10031947532846006202 No Assistant Professor of the Faculty of Electrical Engineering at University of Zabol استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه زابل