این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۵، شماره ۸، صفحات ۷۵-۸۴
عنوان فارسی کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال‌های صوتی کشتی‌ها با استفاده از روش‌های کاهش بُعد و یادگیری توده‌ای
چکیده فارسی مقاله شناسایی و تفکیک کشتی‌ها توسط سیگنال‌های دریافتی توسط میکروفون‌های درون آبی (هیدروفون‌ها)، بهویژه در بندرها تجاری پررفتوآمد، می‌تواند کاربردهای زیادی در مدیریت ترافیک در بندرها داشته باشد. بااینحال شناسایی و کلاسه‌بندی خودکار سیگنال‌های آکوستیکی دریافتی از سیستم سونار غیرفعال به علت تغییرات زیاد مشخصه‌های زمانی و فرکانسی سیگنال (حتی در شرایطی که سیگنال‌ها از یک منبع واحد دریافت شده باشند) مسئله‌ای چالشبرانگیز است. در این پژوهش الگوریتم شناسایی سیگنال‌های آکوستیکی مبتنی بر تبدیل فوریه، روش‌های کاهش بُعد متنوع (آنالیز مؤلفههای اصلی و هم‌خانواده‌های آن (6 روش) و آنالیز تفکیک‌کنندگی و هم‌خانواده‌های آن (3 روش)) و با بهره بردن از روش‌های یادگیری توده‌ای (4 مجمع مختلف) با سه رده‌بند پرسپترون چندلایه، شبکه عصبی احتمالاتی و ماشین بردار پشتیبان ارائه‌شده است. با انجام آزمون‌های کارایی متعدد و متنوع، کارایی روش‌های مختلف مورد ارزیابی قرارگرفته و مناسب‌ترین روش‌ها برای الگوریتم پیشنهادی گزینششدهاند. از این الگوریتم برای استخراج ویژگی، کاهش بُعد و کلاسه‌بندی صدای هشت کشتی استفادهشده است. الگوریتم پیشنهادی بر روی سیگنال‌های واقعی و نیز نسخه آغشته به نویز (با نسبت‌های سیگنال به نویز 5-، 10- و 15-) آن‌ها تست شده است. نتایج نشان می‌دهند که نرخ کلاسه‌بندی صحیح الگوریتم پیشنهادی در نسبت‌های سیگنال به نویز 5-، 10- و 15- به‌ترتیب برابر 83/99، 06/97 و 56/83 درصد است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of DWT for Acoustic Signal Identification of Ships Using Feature Extraction Methods and Ensemble Learning
چکیده انگلیسی مقاله Identification and classification of signals which are heard by underwater microphones (hydrophones) can be used extensively in harbor traffic management, especially in economical harbors. However, automatic identification and classification of acoustic signals which are received by passive sonar system is a challenging problem, because of variation in temporal and frequency characteristics of signals (even they are received from a same source). In this paper, a novel method for classification of acoustic signals is presented, based on DWT as preprocessing, a diverse range of feature extraction methods (principal component analysis and its variations (6 methods) and discriminant analysis and its variations (3 methods)), and 4 ensemble learning methods with 3 classifiers (multilayer perceptron (MLP), probabilistic neural network (PNN) and support vector machine (SVM)). Performing a diverse range of performance tests, the performances of different methods are assessed and the best ones are chosen for the proposed method. The proposed method is used to extract features and classify acoustic signals of 8 ships. Using the proposed method, some real signals and their noisy version are classified. The accuracy of the proposed method in classification of test signals with Gaussian white noise with -5, -10 and -15 signal-to-noise ratio is obtained as 99.83%, 97.06% and 83.56%, respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیر حسین دوایی مرکزی | amir hossein davaie markazi
استاد دانشکده مکانیک دانشگاه علم و صنعت ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

میلاد نظرآهاری |
پژوهشگر دانشگاه علم و صنعت ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

نشانی اینترنتی http://mme.modares.ac.ir/article_12941_6a78bd6465b755cde7d1e0ce8dd928fc.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227905.pdf
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