دسته بندی شناورها براساس طول آن ها با استفاده از صدای منتشره به کمک شبکه عصبی مصنوعی و هیبرید الگوریتم ازدحام ذرات

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.