طراحي سامانه سوناري با قابليت دسته‌بندي اهداف فعال و غيرفعال آكوستيكي مبتني بر شبكه‌ي عصبي فراابتكاري

با توجه به اهميت تعيين ماهيت اهداف سوناري در نبردهاي دريايي، اين مقاله به طراحي سامانه‌اي باقابليت دسته­بندي اهداف سوناري فعال و غيرفعال با استفاده از شبكه­هاي عصبي پرسپترون چندلايه مي‌پردازد. با توجه به نواقص پرسپترون­هاي چندلايه در كار با داده­هاي دنياي واقعي، اين مقاله يك الگوريتم فرا ابتكاري جديد بانام بهينه‌ساز ازدحام ذرات با گروهاي آشفته (CGPSO) را ارائه مي­دهد. اين الگوريتم با استفاده از گروه­هاي مجزاي جستجو و همچنين نقشه­هاي آشفته فضاي جستجو را بهتر و سريع­تر اكتشاف مي­كند. به‌منظور ارزيابي سامانه طراحي‌شده، يك مجموعه داده سوناري مرجع، يك مجموعه داده آزمايشگاهي غيرفعال و يك مجموعه داده واقعي فعال توسعه داده شد. به‌منظور داشتن يك مقايسه جامع سامانه طراحي‌شده با بهينه‌سازهاي معيار ازدحام ذرات (PSO)، جغرافيايي زيستي (BBO) و گرگ خاكستري (GWO) ازنظر سرعت همگرايي، دقت دسته‌بندي و قابليت اعتماد مقايسه شد كه سامانه طراحي‌شده نسبت به بهترين دسته­بندي كننده موجود، به­طور ميانگين 33/2 درصد دقيق­تر عمل كرد.

Considering the importance of identifying and determining the nature of the sonar targets in marine battles, the purpose of this paper is to design a system with the ability to classify active and passive sonar targets using multi-layer perceptron neural networks (MLP NNs). Considering the defects of MLP NNs in dealing with real-world data, as well as low classification accuracy and low convergence rate, this paper proposes a new meta-parasitic algorithm called Chaotic Groups Particles Swarm Optimizer (CGPSO) to train an MLP NN. This algorithm explores the search space faster and better than normal particle swarm Optimizer (PSO) using chaotic and independent groups. To evaluate the designed system, a benchmark sonar dataset, a passive laboratory data set and an active dataset were developed. In order to have a comprehensive comparison, the designed system was compared with PSO, biogeography-based Optimizer (BBO) and Gray Wolf Optimizer (GWO) in terms of convergence rate, classification accuracy, and reliability. Results show that the designed system was more accurate than the best available classifier, by average 2.33%.