AU - Davaie Markazi, Amir Hossein AU - Nazarahari, Milad TI - Application of DWT for Acoustic Signal Identification of Ships Using Feature Extraction Methods and Ensemble Learning PT - JOURNAL ARTICLE TA - mdrsjrns JN - mdrsjrns VO - 15 VI - 8 IP - 8 4099 - http://mme.modares.ac.ir/article-15-1135-fa.html 4100 - http://mme.modares.ac.ir/article-15-1135-fa.pdf SO - mdrsjrns 8 AB  - شناسایی و تفکیک کشتی‌ها توسط سیگنال‌های دریافتی توسط میکروفون‌های درون آبی (هیدروفون‌ها)، بهویژه در بندرها تجاری پررفتوآمد، می‌تواند کاربردهای زیادی در مدیریت ترافیک در بندرها داشته باشد. بااینحال شناسایی و کلاسه‌بندی خودکار سیگنال‌های آکوستیکی دریافتی از سیستم سونار غیرفعال به علت تغییرات زیاد مشخصه‌های زمانی و فرکانسی سیگنال (حتی در شرایطی که سیگنال‌ها از یک منبع واحد دریافت شده باشند) مسئله‌ای چالشبرانگیز است. در این پژوهش الگوریتم شناسایی سیگنال‌های آکوستیکی مبتنی بر تبدیل فوریه، روش‌های کاهش بُعد متنوع (آنالیز مؤلفههای اصلی و هم‌خانواده‌های آن (6 روش) و آنالیز تفکیک‌کنندگی و هم‌خانواده‌های آن (3 روش)) و با بهره بردن از روش‌های یادگیری توده‌ای (4 مجمع مختلف) با سه رده‌بند پرسپترون چندلایه، شبکه عصبی احتمالاتی و ماشین بردار پشتیبان ارائه‌شده است. با انجام آزمون‌های کارایی متعدد و متنوع، کارایی روش‌های مختلف مورد ارزیابی قرارگرفته و مناسب‌ترین روش‌ها برای الگوریتم پیشنهادی گزینششدهاند. از این الگوریتم برای استخراج ویژگی، کاهش بُعد و کلاسه‌بندی صدای هشت کشتی استفادهشده است. الگوریتم پیشنهادی بر روی سیگنال‌های واقعی و نیز نسخه آغشته به نویز (با نسبت‌های سیگنال به نویز 5-، 10- و 15-) آن‌ها تست شده است. نتایج نشان می‌دهند که نرخ کلاسه‌بندی صحیح الگوریتم پیشنهادی در نسبت‌های سیگنال به نویز 5-، 10- و 15- به‌ترتیب برابر 83/99، 06/97 و 56/83 درصد است. CP - IRAN IN - LG - eng PB - mdrsjrns PG - 75 PT - YR - 2015