ارائه یک روش موثر برای به‌دست‌آوردن امضای آکوستیک

تشخیص و طبقه‌بندی شناورهای دریایی از سیگنال‌های ساطع‌شده از آن‌ها، یک وظیفة مهم و با کاربردهای نظامی حیاتی، به‌ویژه در شرایط بحرانی و جنگ است. از زمان‌های قدیم تا به امروز، این وظیفه‌، به‌صورت سنتی توسط افسرهای سونار به کمک سیگنال‌های آکوستیکی دریافت شده توسط هیدروفون‌های سونار انجام می‌شد. امروزه، ارائه راهکارهایی که این وظیفه را به‌صورت خودکار و با کمترین دخالت انسان انجام دهند، یک ضرورت اجتناب‌ناپذیر است. در این پژوهش، با استفاده از روش‌های مختلف پیش‌پردازش و آماده‌سازی داده، ابعاد مجموعه داده تحت سناریوهای خاص گسترش داده می‌شود. با پردازش سیگنال، ویژگی‌های مختلفی را از مجموعه داده‌ای مربوط به سناریوهای مختلف استخراج می‌شود و توسط دانش یادگیری ماشین، الگوریتم‌های طبقه‌بندی متنوعی را به کار می‌رود. درنهایت، با محاسبه معیارهای ارزیابی مختلف، عملکرد سناریوهای مختلف بررسی و تحلیل می‌شود. نتایج این تحقیق، موفقیت‌آمیز بودن روش استخراج ویژگی ضرایب کپسترال فرکانسی مل (mfcc) را در هنگام به‌کارگیری الگوریتم‌های طبقه‌بندی مختلف، ازجمله شبکه عصبی مصنوعی (ann) و همچنین شکست روش شبکه عصبی پیچشی (cnn) را در هنگام آموزش توسط مجموعه داده‌های کوچک نشان می‌دهد. با مقایسه نتایج شبیه‌سازی معلوم شد با توجه به محدود بودن مجموعه داده مورد استفاده، روش ann  بهترین کارایی را ارائه است.

an effective acoustic signature extraction based on optimization

identifying and classifying marine vehicles is of great significance in military applications. traditionally, this task was performed by sonar officers based on acoustic signals received by sonar hydrophones. nowadays, developing systems that perform this task automatically and with minimal human intervention is inevitable. in this study, using different augmentation methods, the size of this dataset is expanded under different scenarios. with the help of signal processing and machine learning knowledge, different features are extracted and next these features are classified using different classification algorithms. finally, the performance of different scenarios is evaluated by calculating different measures. results of this study show the success of the mel-frequency cepsteral coefficient (mfcc) feature extraction method when using various classification algorithms, including artificial neural network (ann) and also the failure of convolutional neural network (cnn) when training with small datasets. the overall comparison reveals that due to the small number of samples in the dataset, ann presents the best performance