طبقه‌بندي سيگنال‌هاي سونار غيرفعال با استفاده از ادغام ويژگي هاي طنين صوت و تبديل فوريه زمان - كوتاه

Passive Sonar Signals Classification using Fusion of Short-Time Fourier Transform and timbre Features

تشخيص و طبقه‌بندي شناور هاي دريايي بر اساس نويز تشعشعي صوتي از آن‌ها از جمله ضرورت هاي سيستم هاي سوناري است. در اين مقاله روش‌هايي كه تاكنون در حوزه طراحي سيستم طبقه‌بندي اهداف سونار غيرفعال انجام شده است مورد بررسي قرار گرفته و الگوريتمي جديد ارائه گرديده است. در روش پيشنهادي با استفاده از الگوريتم استخراج ويژگي LDA و تركيب ويژگي‌هاي تبديل فوريه زمان كوتاه و طنين صوت، الگوريتم طبقه‌بندي با نام STFTLDA-Timb ارائه شده است كه موجب استخراج ويژگي‌هايي با تفكيك پذيري بالا شده و صحت طبقه‌بندي را در مقايسه با سيستم‌هاي متداول مبتني بر STFT تا %8/45 بهبود بخشيده است. الگوريتم پيشنهادي بر روي برخي داده هاي واقعي آزمايش شده و نتايج حاصله شده در مقايسه با الگوريتمهاي طبقه‌بندي كننده رايج و پركاربردي مثل طبقه‌بندي كننده‌هاي آماري، طبقه‌بندي كننده‌هاي شبكه عصبي و طبقه‌بندي‌كننده‌هاي تجمعي، نتايج بهتري را ارايه كرده است.

Detection and classification of Marine vessels based on their acoustic radiated noise is an important part of sonar systems. I this paper passive sonar targets classification algorithms is reviewed and a new algorithm is proposed. LDA feature extraction algorithm and Fusion of short time Fourier and timbre features is used in proposed algorithm which is called STFTLDA-Timb. Extracted features of proposed algorithm, are highly discriminant and classification accuracy of proposed algorithm is 8.45% better than STFT based classification algorithm. Obtained results of real data passive sonar classification show that classification accuracy of proposed algorithm is better than some common classification algorithms like statistical classifiers, neural networks and Ensemble Learning algorithms.