ترکیب الگوریتم های مبتنی بر شناسایی الگو و یادگیری عمیق به منظور شناسایی خودکار کوادکوپترهای تجاری با استفاده از علائم صوتی دریافتی

استفاده از کوادکوپترهای تجاری یک فن اوری به سرعت در حال پیشرفت است که دارای کاربردهای بسیاری در بخش های خصوصی، تجاری و دولتی است. در حال حاضر، هیچ تضمینی برای تسهیل عملکرد ایمن این دستگاه ها در فضای جامعه وجود ندارد. در این مقاله، سه روش مختلف برای شناسایی خودکار کوادکوپترهای تجاری ارایه می شود. از بین سه فن ارایه شده، دو روش مبتنی بر شبکه های یادگیری عمیق است که در آن ها تمام مراحل استخراج ویژگی و طبقه بندی به صورت خودکار انجام می شود. روش های مبتنی بر یادگیری عمیق شامل شبکه های عصبی کانولوشن (سی ان ان)، شبکه های ال اس تی ام و ترکیب آن ها است. روش سوم با استفاده از ضرایب کپسترال (به عنوان ویژگی) و ماشین های بردار پشتیبان (به عنوان طبقه بند) ارایه می شود. در این مقاله الگوریتم های مبتنی بر یادگیری عمیق از الگوهای طیفی منحصر به فرد کوادکوپترهای تجاری به منظور استخراج ویژگی استفاده می کنند. الگوهای طیفی با اعمال روش تبدیل فوریه کوتاه مدت روی داده های صوتی به دست می آیند. هم چنین، در روش سوم از ضرایب کپسترال و طبقه بند ماشین بردار پشتیبان به منظور شناسایی و دسته بندی علایم صوتی دریافتی استفاده می شود. عملکرد روش های مبتنی بر یادگیری عمیق و روش مبتنی بر ضرایب کپستروم با استفاده از مجموعه داده های صوتی ثبت شده از کوادکوپترهای تجاری مقایسه شده است. نتایج به دست آمده نشان می دهند که هر سه روش ارایه شده دارای عملکرد مناسبی در شناسایی کوادکوپترها هستند. با این حال، روش سی ان ان- ال اس تی ام با فراهم نمودن میانگین دقت 95/31 درصد، میانگین حساسیت 96/24 درصد و میانگین اختصاصیت 95/61 درصد دارای بهترین عملکرد است.