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

ویژگی های 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 می کند. از جمله کاربردهای پدافندی سیگنال صوتی در حوزه ی دریا را می توان 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 ی آن است که الگوریتم شبکه عصبی پرسپترون چند لایه بهترین نتیجه را دارد.