تشخیص و طبقه بندی خودکار اهداف سونار غیرفعال با استفاده از یادگیری عمیق نیمه نظارتی، درگاه های توجه و اتصالات جهشی
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
به دلیل نقش مهم سیگنال های سونار در شناسایی و ردیابی اهداف و اجسامی که درون محیط آبی قرار دارند، وجود سامانه های تشخیص و طبقه بندی کننده این اهداف از اهمیت خاصی برخوردار است. برای انجام تشخیص و طبقه بندی راه های متنوعی وجود دارد. یکی از این راه ها استفاده از سامانه های خودکار هست که به صورت هوشمند اقدام به تشخیص و طبقه بندی اهداف می کنند که هم هزینه کمتری دارند و هم می توانند با دقت های بالا عمل طبقه بندی را انجام دهند.در این پژوهش هدف اصلی تشخیص و طبقه بندی خودکار اهداف در محیط آبی با استفاده از سیگنال های سونار غیرفعال و از طریق شبکه های عصبی عمیق نیمه نظارتی هست. در این پژوهش چند نوع معماری شبکه عصبی ارائه گردیده که با استفاده از مکانیسم های نوین همانند استفاده از درگاه های توجه و اتصالات جهشی، دقت طبقه بندی بالایی را نسبت به روش های موجود داشته و عملکرد قابل قبولی در انجام طبقه بندی دارا می باشند. شبکه پیشنهادی پایه تنها با استفاده از 25% داده بر چسب دار با کسب دقتی معادل 70.17% بر روی دادگان تست توانسته است به میزان 10.59% بهبود را نسبت به دقتی که در مقاله دادگان موردبررسی اعلام شده است، ارائه دهد. همچنین شبکه پیشنهادی دیگر تحت عنوان Attention-Resnet-2 با کسب دقت 71.92% فراتر رفته و این بهبود را به میزان 12.34% رسانده است.
کلیدواژگان:
زبان:
فارسی
صفحات:
9 تا 35
لینک کوتاه:
magiran.com/p2710484
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!