شناسايي خودكار شناورهاي سطحي در سونار غيرفعال با استفاده از فناوري‌هاي نوظهور هوش مصنوعي و يادگيري عميق

هدف: سيستم هاي هوشمند شناسايي خودكار اهداف زيرآبي، به طور فزاينده اي در سونار غيرفعال استفاده مي‌ شوند تا دخالت انساني و چالش هاي مربوط به آن را در شناسايي دقيق شناورها كاهش دهند. امروزه روش هاي بسيار پيشرفته يادگيري عميق به منظور شناسايي خودكار اهداف صوتي، توسط نيروهاي دريايي جهان در حال بهره ‌برداري مي ‌باشند.روش‌شناسي: در اين مقاله روشي جديد در زمينه شناسايي خودكار اهداف صوتي زير آب مبتني بر الگوريتم‌هاي يادگيري عميق ارائه شده است. در اين روش ابتدا سيگنال‌هاي صوتي خام از هايدروفونها دريافت شده و پس از انجام پيش پردازش‌هاي لازم، با استفاده از تبديل فركانسي زمان_كوتاه، تصاوير طيف‌نگار مربوط به داده‌هاي صوتي سونار غيرفعال توليد شده و به لايه‌هاي پنهان مدل براي اعتبارسنجي و طبقه بندي ، تغذيه مي‌شود.يافته‌ها: نتايج بدست آمده نشان مي‌دهد اين مدل مي‌تواند به طور خودكار چندين ويژگي را كه براي دسته‌بندي كلاس‌هاي مختلف كشتي مورد نياز است را استخراج نمايند و با جستجوي آموزنده‌ترين ويژگي از داده‌هاي سوناري، موجب افزايش دقت شناسايي و كاهش خطاي ارزيابي گردند.نتيجه: دقت شناسايي مدل پيشنهادي بيش از 97% و خطاي ارزيابي آن كمتر از 3% مي‌باشد. در اين روش با بهبود نسبي دقت طبقه‌بندي، سرعت شناسايي اهداف بطور قابل ملاحظه‌اي افزايش يافته است.