استخراج ويژگي هاي مطلوب حوزه ادراكي بهبود يافته توسط الگوريتم وال كوهان دار به منظور تشخيص اهداف آكوستيكي زيرآبي

استفاده از سيگنال هاي آكوستيكي زيرآبي دريافت شده توسط هيدروفن ها به‌منظور ارتباط بين شناورها و مدل سازي سامانه هاي سوناري، بسيار اهميت دارد. اين مدل سازي براي دريافت داده هاي ورودي به‌صورت تك ويژگي با حداقل تعداد است. هدف از اين مقاله، استخراج ويژگي هاي بهينه ضرايب كپسترال فركانس مل (MFCC) بدون كاهش دقت شناسايي براي كاربرد تشخيص سيگنال رسيده به سونار است. با توجه به اينكه تعداد ويژگي ها در پيچيدگي دسته بندي كننده بسيار مؤثر است، در اين مقاله به‌منظور كاهش تعداد ويژگي ها، از الگوريتم بهينه‌ساز وال كوهان دار (WOA) استفاده خواهد شد. به‌منظور ارزيابي ويژگي هاي استخراج شده، از شبكه عصبي احتمالي (PNN) به عنوان دسته بندي كننده استفاده مي شود. در اين راستا، نتايج الگوريتم پيشنهادي با روش‌هاي MFCC متعارف و پويا مقايسه خواهد شد. نتايج شبيه‌سازي نشان‌دهنده آن است كه تعداد ويژگي هاي MFCC از 13 عدد براي هر فريم به 5 عدد كاهش مي يابد، بدون آنكه دقت دسته بندي كننده كاهش يابد.