طبقه‌بندی موج‌های‌ضربه و نوفه‌های ضربه‌ای با استفاده از ویژگی‌های مبتنی بر دینامیک غیرخطی علامت

طبقه‌بندی رخدادهای صوتی در سامانه‌های حفاظتی صوتی یکی از مورد توجه‌ترین زمینه‌های پژوهشی در سال‌های اخیر بوده است. یکی از بهترین سامانه‌های پرکاربرد این نوع سامانه‌ها، سامانه‌های تعیین موقعیت شکارچی در محیط‌زیست هستند. قابلیت اطمینان و عملکرد صحیح این سامانه‌ها به‌صورت قابل توجهی متاثر از کیفیت تفکیک و طبقه‌بندی علامت موج‌های‌ضربه‌ای (شوک) از نوفه‌های ضربه‌ای محیطی است. در این مطالعه با بهره‌گیری از ویژگی‌های مبتنی بر دینامیک غیرخطی و ماشین‌های بردار پشتیبان، اقدام به تفکیک موج‌ضربه (شوک) از سایر نوفه‌های دفعی (ضربه‌ای) شد. مجموعه ‌داده‌ها‌ی این مقاله به‌صورت بومی و در شرایط مختلف آب‌و‌هوایی و با عوارض متفاوت زمین ثبت شده و دارای تنوع داده‌ای بسیار مناسبی هستند. نتایج آزمون آماری بررسی واریانس، تفاوت معنادار میانگین همه ویژگی‌های استخراج‌شده بین دو دسته‌ی موج‌ضربه (شوک) و نوفه‌های ضربه‌ای این مجموعه‌ی داده‌ها را نشان‌ داد، که بیانگر کیفیت بالای ویژگی‌های استفاده‌شده در این مقاله است. علاوه بر این، ماشین بردار پشتیبان توانست براساس ویژگی‌های استخراج‌شده در فرآیند ارزیابی تقاطعی با دقت 89/6 درصد، ویژگی 88 درصد و حساسیت 92 درصد و ارزیابی با داده آزمون مستقل با دقت 90/36 درصد، ویژگی 87/5 درصد و حساسیت 91/85 درصد، موج‌ضربه (شوک) را از نوفه‌های ضربه‌ای محیطی تفکیک نماید.

Classification of the shocks and impulsive noise using signal nonlinear dynamic based features (Research Article)

Classification of acoustic events in acoustic surveillance systems are of the most interesting research areas in recent years. Sniper localization systems are one of the important and applicable kinds of these systems in which detection and discrimination of the shock signals from environmental impulsive noises have a very important and significant effect on the reliability and performance of them. This study approaches the classification of the shock signals and impulsive noise using nonlinear dynamicsbased features, for the first time, and the SVM with a multinomial kernel. The results of the Anova test in this study showed the good potential of the extracted features to discriminate the shocks form impulsive noises. Furthermore, the classification results confirm this remarkable ability. The performance of this study method yields to 89.6% accuracy, 88% specificity and 92% sensitivity in a 5fold cross validation procedure. Also, the performance of the trained classifier dealing with an independent test set was 90.36% for the accuracy, 87.5% for the specificity and 91.85% for the sensitivity.