کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال های صوتی کشتی ها با استفاده از روش های کاهش بعد و یادگیری توده ای

شناسایی و تفکیک کشتی ها توسط سیگنال های دریافتی توسط میکروفون های درون آبی (هیدروفون ها)، بهویژه در بندرها تجاری پررفتوآمد، می تواند کاربردهای زیادی در مدیریت ترافیک در بندرها داشته باشد. بااینحال شناسایی و کلاسه بندی خودکار سیگنال های آکوستیکی دریافتی از سیستم سونار غیرفعال به علت تغییرات زیاد مشخصه های زمانی و فرکانسی سیگنال (حتی در شرایطی که سیگنال ها از یک منبع واحد دریافت شده باشند) مسئله ای چالشبرانگیز است. در این پژوهش الگوریتم شناسایی سیگنال های آکوستیکی مبتنی بر تبدیل فوریه، روش های کاهش بعد متنوع (آنالیز مولفه های اصلی و هم خانواده های آن (6 روش) و آنالیز تفکیک کنندگی و هم خانواده های آن (3 روش)) و با بهره بردن از روش های یادگیری توده ای (4 مجمع مختلف) با سه رده بند پرسپترون چندلایه، شبکه عصبی احتمالاتی و ماشین بردار پشتیبان ارائه شده است. با انجام آزمون های کارایی متعدد و متنوع، کارایی روش های مختلف مورد ارزیابی قرارگرفته و مناسب ترین روش ها برای الگوریتم پیشنهادی گزینششدهاند. از این الگوریتم برای استخراج ویژگی، کاهش بعد و کلاسه بندی صدای هشت کشتی استفادهشده است. الگوریتم پیشنهادی بر روی سیگنال های واقعی و نیز نسخه آغشته به نویز (با نسبت های سیگنال به نویز 5-، 10- و 15-) آن ها تست شده است. نتایج نشان می دهند که نرخ کلاسه بندی صحیح الگوریتم پیشنهادی در نسبت های سیگنال به نویز 5-، 10- و 15- به ترتیب برابر 83/99، 06/97 و 56/83 درصد است.