دوره ۱۵، شماره ۸ - ( ۸-۱۳۹۴ )                   جلد ۱۵ شماره ۸ صفحات ۸۴-۷۵ | برگشت به فهرست نسخه ها

‎ 20.1001.1.10275940.1394.15.8.10.0

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Davaie Markazi A H, Nazarahari M. Application of DWT for Acoustic Signal Identification of Ships Using Feature Extraction Methods and Ensemble Learning. Modares Mechanical Engineering 2015; 15 (8) :75-84
URL: http://mme.modares.ac.ir/article-15-1135-fa.html
دوایی مرکزی امیر حسین، نظرآهاری میلاد. کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال‌های صوتی کشتی‌ها با استفاده از روش‌های کاهش بُعد و یادگیری توده‌ای. مهندسی مکانیک مدرس. ۱۳۹۴; ۱۵ (۸) :۷۵-۸۴

URL: http://mme.modares.ac.ir/article-۱۵-۱۱۳۵-fa.html

کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال‌های صوتی کشتی‌ها با استفاده از روش‌های کاهش بُعد و یادگیری توده‌ای
امیر حسین دوایی مرکزی* ۱، میلاد نظرآهاری۲
۱- استاد دانشکده مکانیک دانشگاه علم و صنعت ایران
۲- پژوهشگر / دانشگاه علم و صنعت ایران
چکیده:   (۷۸۶۹ مشاهده)
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.
واژه‌های کلیدی: سیگنال صوتی (آکوستیکی)، تبدیل فوریه گسسته در زمان، استخراج ویژگی، رده‌بند، یادگیری توده‌ای
متن کامل [PDF 436 kb]   (۸۹۱۱ دریافت)    
نوع مقاله: مقاله پژوهشی کامل | موضوع مقاله: مکاترونیک
دریافت: 1394/2/4 | پذیرش: 1394/3/12 | انتشار: 1394/3/30
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.