particle swarm algorithm
در نشریات گروه فیزیک-
سامانه های سونار از جهات مختلفی از جمله کاربردهای نظامی، کشتیرانی، ماهی گیری و غیره دارای اهمیت ویژه هستند. از این رو طبقه بندی داده های سونار همواره مورد توجه متخصصان این حوزه می باشد. در این مقاله از دو روش آماده سازی داده استفاده شد. در روش اول از کل ویژگی های استخراج شده از داده ها و در روش پیشنهادی از بازه زمانی مورد استفاده برای استخراج ویژگی به صورت ده تایی میانگین گیری شد. ساختارهای مختلف شبکه عصبی مصنوعی و تلفیق شبکه عصبی با الگوریتم ازدحام ذرات (پی اس او) برای دستیابی به بالاترین عملکرد در دسته بندی امواج صوتی منتشره شناورها براساس طول شناور مورد مقایسه قرار گرفتند. نتایج نشان دادند در حالت استفاده از ویژگی های استخراج شده به صورت خام در استفاده از شبکه عصبی مصنوعی، ساختار 2-2-2 در لایه پنهان دارای بالاترین عملکرد برای شرایط آموزش و آزمون برابر با 98/61 و 90 درصد بود. با استفاده از شبکه عصبی تلفیقی دقت طبقه بندی افزایش یافته و در شرایط آزمون به میزان 94/44 درصد رسید. در استفاده از روش پیشنهادی برای آماده سازی داده های استخراج شده، ساختار ساده یک لایه با شش نرون در لایه پنهان بالاترین میزان عملکرد در طبقه بندی ویژگی های استخراج شده به میزان 100 درصد برای آموزش و آزمون را ارایه داد.
کلید واژگان: سونار، دسته بندی شناور، شبکه عصبی، الگوریتم ازدحام ذراتSonar systems are of special importance in many ways, including military applications, shipping, fishing, etc. Therefore, the classification of sonar data is always of interest to experts in this field. In this article, two data preparation methods were used. In the first method, all the features extracted from the data and in the proposed method were averaged out of the time period used to extract the feature in the form of ten period. Different structures of artificial neural network and hybrid neural network were compared with particle swarm algorithm (PSO) to achieve the highest performance in classifying sounds emitted by floats based on float length. The results showed that in the case of using raw extracted features in the use of artificial neural network, the 2-2-2 structure in the hidden layer had the highest performance for training and testing conditions equal to 90.61 and 90% respectively. By using the hybrid neural network, the classification accuracy increased and reached 94.44% in the test conditions. In using the proposed method to prepare the extracted data, the simple structure of one layer with 6 neurons in the hidden layer provided the highest performance in the classification of the extracted features by 100% for training and testing.
Keywords: Sonar, Classification of vessels, Neural network, Particle swarm algorithm
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.