این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دریا فنون، جلد ۸، شماره ۳، صفحات ۱۱-۲۴
عنوان فارسی استخراج ویژگی های مطلوب حوزه ادراکی بهبود یافته توسط الگوریتم وال کوهان دار به منظور تشخیص اهداف آکوستیکی زیرآبی
چکیده فارسی مقاله استفاده از سیگنال های آکوستیکی زیرآبی دریافت شده توسط هیدروفن ها به‌منظور ارتباط بین شناورها و مدل سازی سامانه های سوناری، بسیار اهمیت دارد. این مدل سازی برای دریافت داده های ورودی به‌صورت تک ویژگی با حداقل تعداد است. هدف از این مقاله، استخراج ویژگی های بهینه ضرایب کپسترال فرکانس مل (MFCC) بدون کاهش دقت شناسایی برای کاربرد تشخیص سیگنال رسیده به سونار است. با توجه به اینکه تعداد ویژگی ها در پیچیدگی دسته بندی کننده بسیار مؤثر است، در این مقاله به‌منظور کاهش تعداد ویژگی ها، از الگوریتم بهینه‌ساز وال کوهان دار (WOA) استفاده خواهد شد. به‌منظور ارزیابی ویژگی های استخراج شده، از شبکه عصبی احتمالی (PNN) به عنوان دسته بندی کننده استفاده می شود. در این راستا، نتایج الگوریتم پیشنهادی با روش‌های MFCC متعارف و پویا مقایسه خواهد شد. نتایج شبیه‌سازی نشان‌دهنده آن است که تعداد ویژگی های MFCC از 13 عدد برای هر فریم به 5 عدد کاهش می یابد، بدون آنکه دقت دسته بندی کننده کاهش یابد.
کلیدواژه‌های فارسی مقاله سونار، بهینه ساز وال کوهان دار، استخراج ویژگی،
عنوان انگلیسی Extraction of Desirable Perceptual Domain Properties Improved by the Whale Optimization Algorithm to Detect Underwater Acoustic Targets
چکیده انگلیسی مقاله It is important to use underwater acoustic signals received by hydrophones to communicate between vessels and to model sonar systems. This modeling is to receive input data as a single feature with a minimum number. The purpose of this paper is to derive the optimal characteristics of Mel frequency frequency coefficient coefficients (MFCC) without reducing the detection accuracy for the application of sonar signal detection. Due to the fact that the number of features is very effective in the complexity of the classifier, in this paper, in order to reduce the number of features, the Coherent Wall Optimization (WOA) algorithm will be used. The probabilistic neural network (PNN) is used as a classifier to evaluate the extracted features. In this regard, the results of the proposed algorithm will be compared with conventional and dynamic MFCC methods. The simulation results show that the number of MFCC features is reduced from 13 per frame to 5, without reducing the classifier accuracy.
کلیدواژه‌های انگلیسی مقاله سونار, بهینه ساز وال کوهان دار, استخراج ویژگی
نویسندگان مقاله محمد خویشه |
استادیار دانشگاه علوم دریایی امام خمینی (ره)

سید محمدرضا موسوی |
استاد دانشکده مهندسی برق دانشگاه علم و صنعت ایران

بهمن صفرپور |
دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)

نشانی اینترنتی http://ijmt.iranjournals.ir/article_36701_eb1259074b78a32d057c762c880b8ca1.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات