این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و فناوری دریا، جلد ۲۸، شماره ۱۱۲، صفحات ۹-۲۵
عنوان فارسی تشخیص و سرکوب کلاتر سونار فعال به وسیله طراحی فیلترهای مبتنی بر شبکه‌های عصبی تکاملی عمیق
چکیده فارسی مقاله به‌دلیل پیچیدگی فیزیکی و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، تشخیص اهداف سوناری تبدیل از دیگر اهداف به یکی از چالش‌برانگیز مسائل سالهای اخیر برای پژوهشگران در این حوزه شده است. یکی از کارآمدترین ابزار تشخیص اهداف، یادگیری عمیق و به طور خاص شبکه‌های عصبی عمیق کانولوشنی می‌باشند. علاوه بر اهمیت لایههای مختلف در معماری عمیق، از نحوه آموزش شبکه عصبی می‌توان به عنوان مهم‌ترین مشخصهای که دقت شبکه را تا حد زیادی کنترل می‌نماید نام برد. در سال‌های اخیر استفاده از الگوریتم‌های فراابتکاری جهت بهروزرسانی وزنها و بایاسها در شبکه‌های عصبی عمیق بسیار مرسوم گشته است. هرچند، بهبود عملکرد این الگوریمها جهت افزایش دقت شبکه عصبی نیز از اهمیت بالایی برخوردار است. الگوریتم گرگ خاکستری یک الگوریتم مبتنی بر هوش ذرات است که عملکرد بسیار خوبی را از خود در آموزش شبکه‌های عصبی ادراکی چندلایه نشان داده است. هدف این مقاله، ارائه یک الگوریتم گرگ خاکستری مقاوم و استفاده از آن برای آموزش شبکه عصبی موجود در معماری عمیق به منظور افزایش دقت تشخیص اهداف سوناری می‌باشد. ‌به منظور درست‌نمایی نتایج، در این مقاله از سه دادگان با میزان پیچیدگی و اندازه مختلف برای شبیه‌سازی استفاده شده است. همچنین عملکرد الگوریتم ارائه‌شده در آموزش معماری عمیق با نتایج چند الگوریتم دیگر مقایسه می‌گردد. مقایسه نتایج شبیه‌سازی نشان می‌دهند که روش پیشنهادی در این مقاله، دارای دقت بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم‌های فراابتکاری مورد استفاده در این مقاله می‌باشد.
کلیدواژه‌های فارسی مقاله کلاتر، یادگیری عمیق، تشخیص اهداف سوناری، الگوریتم گرگ خاکستری مقاوم،
عنوان انگلیسی Detection and Suppression of Active Sonar Clutter by Designing Filters Based on Deep Evolutionary Neural Networks
چکیده انگلیسی مقاله Due to the physical complexity and very similarity of clutter to real targets in active sonar, the classification of sonar targets has become one of the most challenging issues for researchers in this field in recent years. One of the most effective goal classification tools is deep learning and in particular deep convolutional neural networks. In addition to the importance of different layers in deep architecture, how the neural network is taught can be mentioned as the most important feature that largely controls the accuracy of classification. In recent years, the use of meta-heuristic algorithms to update weights and biases in deep neural networks has become very common. However, improving the performance of these algorithms is also important to increase classification accuracy. The Gray Wolf Algorithm (GWO) is a particle intelligence based algorithm that has shown excellent performance in training multilayer perceptual neural networks. The purpose of this paper is to present a robust gray wolf algorithm and use it to train neural networks in deep architecture to increase the accuracy of sonar target classification. In order to validate the results, in this paper, three data with different complexity and size have been used for simulation. Also, the performance of the algorithm presented in in-depth architecture training is compared with the results of several other algorithms. Comparison of simulation results shows that the proposed method in this paper has higher classification accuracy and higher convergence speed than other meta-heuristic algorithms used in this paper.
کلیدواژه‌های انگلیسی مقاله کلاتر, یادگیری عمیق, تشخیص اهداف سوناری, الگوریتم گرگ خاکستری مقاوم
نویسندگان مقاله مریم نجیب زاده |
گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

آذر محمودزاده |
گروه مهندسی برق، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

محمد خویشه |
استادیار گروه الکترونیک، دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی

نشانی اینترنتی http://navy.iranjournals.ir/article_247672_139d57fb2a015f6df6f80caa5c201a11.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