تركيب الگوريتم‌هاي مبتني بر شناسايي الگو و يادگيري عميق به منظور شناسايي خودكار كوادكوپترهاي تجاري با استفاده از علائم صوتي دريافتي

استفاده از كوادكوپترهاي تجاري يك فن‌اوري به سرعت در حال پيشرفت است كه داراي كاربردهاي بسياري در بخش‌هاي خصوصي، تجاري و دولتي است. در حال حاضر، هيچ تضميني براي تسهيل عملكرد ايمن اين دستگاه‌ها در فضاي جامعه وجود ندارد. در اين مقاله، سه روش مختلف براي شناسايي خودكار كوادكوپترهاي تجاري ارائه مي‌شود. از بين سه فنّ ارائه شده، دو روش مبتني بر شبكه‌هاي يادگيري عميق است كه در آن‌ها تمام مراحل استخراج ويژگي و طبقه‌بندي به‌صورت خودكار انجام مي‌شود. روش‌هاي مبتني بر يادگيري عميق شامل شبكه‌هاي عصبي كانولوشن (سي‌اِن‌اِن)، شبكه‌هاي اِل‌اِس‌تي‌اِم و تركيب آن‌ها است. روش سوم با استفاده از ضرايب كپسترال (به‌عنوان ويژگي) و ماشين‌هاي بردار پشتيبان (به‌عنوان طبقه‌بند) ارائه مي‌شود. در اين مقاله الگوريتم‌هاي مبتني بر يادگيري عميق از الگوهاي طيفي منحصر به فرد كوادكوپترهاي تجاري به‌منظور استخراج ويژگي استفاده مي‌كنند. الگوهاي طيفي با اعمال روش تبديل فوريه كوتاه مدت روي داده‌هاي صوتي به‌دست مي‌آيند. هم‌چنين، در روش سوم از ضرايب كپسترال و طبقه‌بند ماشين بردار پشتيبان به‌منظور شناسايي و دسته‌بندي علائم صوتي دريافتي استفاده مي‌شود. عملكرد روش‌هاي مبتني بر يادگيري عميق و روش مبتني بر ضرايب كپستروم با استفاده از مجموعه داده‌هاي صوتي ثبت‌شده از كوادكوپترهاي تجاري مقايسه شده است. نتايج به‌دست آمده نشان مي‌دهند كه هر سه روش ارائه‌شده داراي عملكرد مناسبي در شناسايي كوادكوپترها هستند. با اين حال، روش سي‌اِن‌اِن- اِل‌اِس‌تي‌اِم با فراهم نمودن ميانگين دقت 95/31 درصد، ميانگين حساسيت 96/24 درصد و ميانگين اختصاصيت 95/61 درصد داراي بهترين عملكرد است.