ارائه يك روش مؤثر براي به‌دست‌آوردن امضاي آكوستيك

تشخيص و طبقه‌بندي شناورهاي دريايي از سيگنال‌هاي ساطع‌شده از آن‌ها، يك وظيفة مهم و با كاربردهاي نظامي حياتي، به‌ويژه در شرايط بحراني و جنگ است. از زمان‌هاي قديم تا به امروز، اين وظيفه‌، به‌صورت سنتي توسط افسرهاي سونار به كمك سيگنال‌هاي آكوستيكي دريافت شده توسط هيدروفون‌هاي سونار انجام مي‌شد. امروزه، ارائه راهكارهايي كه اين وظيفه را به‌صورت خودكار و با كمترين دخالت انسان انجام دهند، يك ضرورت اجتناب‌ناپذير است. در اين پژوهش، با استفاده از روش‌هاي مختلف پيش‌پردازش و آماده‌سازي داده، ابعاد مجموعه داده تحت سناريوهاي خاص گسترش داده مي‌شود. با پردازش سيگنال، ويژگي‌هاي مختلفي را از مجموعه داده‌اي مربوط به سناريوهاي مختلف استخراج مي‌شود و توسط دانش يادگيري ماشين، الگوريتم‌هاي طبقه‌بندي متنوعي را به كار مي‌رود. درنهايت، با محاسبه معيارهاي ارزيابي مختلف، عملكرد سناريوهاي مختلف بررسي و تحليل مي‌شود. نتايج اين تحقيق، موفقيت‌آميز بودن روش استخراج ويژگي ضرايب كپسترال فركانسي مل (MFCC) را در هنگام به‌كارگيري الگوريتم‌هاي طبقه‌بندي مختلف، ازجمله شبكه عصبي مصنوعي (ANN) و همچنين شكست روش شبكه عصبي پيچشي (CNN) را در هنگام آموزش توسط مجموعه داده‌هاي كوچك نشان مي‌دهد. با مقايسه نتايج شبيه‌سازي معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ANN  بهترين كارايي را ارائه است.