این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دریا فنون، جلد ۱۰، شماره ۴، صفحات ۹-۳۵
عنوان فارسی تشخیص و طبقه‌بندی خودکار اهداف سونار غیرفعال با استفاده از یادگیری عمیق نیمه نظارتی، درگاه‌های توجه و اتصالات جهشی
چکیده فارسی مقاله به دلیل نقش مهم سیگنال‌های سونار در شناسایی و ردیابی اهداف و اجسامی که درون محیط آبی قرار دارند، وجود سامانه‌های تشخیص و طبقه‌بندی کننده این اهداف از اهمیت خاصی برخوردار است. برای انجام تشخیص و طبقه‌بندی راه‌های متنوعی وجود دارد. یکی از این راه‌ها استفاده از سامانه‌های خودکار هست که به‌صورت هوشمند اقدام به تشخیص و طبقه‌بندی اهداف می‌کنند که هم هزینه کمتری دارند و هم می‌توانند با دقت‌های بالا عمل طبقه‌بندی را انجام دهند.

در این پژوهش هدف اصلی تشخیص و طبقه‌بندی خودکار اهداف در محیط آبی با استفاده از سیگنال‌های سونار غیرفعال و از طریق شبکه‌های عصبی عمیق نیمه نظارتی هست. در این پژوهش چند نوع معماری شبکه عصبی ارائه گردیده که با استفاده از مکانیسم‌های نوین همانند استفاده از درگاه‌های توجه و اتصالات جهشی، دقت طبقه‌بندی بالایی را نسبت به روش‌های موجود داشته و عملکرد قابل قبولی در انجام طبقه‌بندی دارا می‌باشند. شبکه پیشنهادی پایه تنها با استفاده از 25% داده بر چسب‌دار 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 اعلام‌شده 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.
کلیدواژه‌های فارسی مقاله سونار غیرفعال، شبکه‌ عصبی، یادگیری نیمه نظارتی، درگاه توجه،
عنوان انگلیسی Recognition and classification of passive sonar targets using semi-supervised deep learning, attention gates, and jump connections.
چکیده انگلیسی مقاله Due to the critical role of sonar signals in identifying and tracking targets and objects in the water environment, the existence of classification systems for these targets is particularly important. There are various ways to do classification. One of these ways is using automatic systems that intelligently classify targets, which are less expensive and can perform the classification process with high accuracy.

In this research, the main goal is to automatically classify targets in the water environment using passive sonar signals and through semi-supervised deep neural networks. In this research, several types of neural network architectures have been presented, which, by using new mechanisms such as the use of attention gates and jump connections, have high classification accuracy compared to existing methods and have acceptable performance in performing classification. By using only 25% of the labeled data, the proposed basic network has provided a 10.59% improvement compared to the accuracy stated in the article of the examined data, with an accuracy of 70.17% on the test data. Also, the other proposed network called Attention-Resnet-2 has exceeded by obtaining 71.92% accuracy and has achieved this improvement by 12.34%.
کلیدواژه‌های انگلیسی مقاله سونار غیرفعال, شبکه‌ عصبی, یادگیری نیمه نظارتی, درگاه توجه
نویسندگان مقاله سید مجید حسنی اژدری |
گروه مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)، نوشهر، ایران

محمد خویشه |
گروه مهندسی برق، دانشگاه علوم دریایی امام خمینی (ره)، نوشهر، ایران

نشانی اینترنتی http://ijmt.iranjournals.ir/article_247878_d01f39b4df79390f397d29f0eeb0d8f1.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