کاربرد تبدیل فوریه گسسته در زمان در شناسایی سیگنال‌های صوتی کشتی‌ها با استفاده از روش‌های کاهش بُعد و یادگیری توده‌ای

شناسایی و تفکیک کشتیها توسط سیگنالهای دریافتی توسط میکروفونهای درون آبی (هیدروفونها)، به‌ویژه در بندرهای تجاری پر رفت‌وآمد، میتواند کاربردهای زیادی در مدیریت ترافیک در بندرها داشته باشد. با این‌ حال شناسایی و کلاسهبندی خودکار سیگنالهای صوتی دریافتی از سیستم سونار غیرفعال به علت تغییرات زیاد مشخصه-های زمانی و فرکانسی سیگنال (حتی در شرایطی که سیگنالها از یک منبع واحد دریافت شده باشند) مسالهای چالش‌برانگیز است. در این پژوهش الگوریتم شناسایی سیگنالهای صوتی مبتنی بر تبدیل فوریه، روشهای کاهش بُعد متنوع (آنالیز مولفه‌های 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 ارایه شده است. با انجام آزمونهای کارایی متعدد و متنوع، کارایی روشهای مختلف مورد ارزیابی قرارگرفته و مناسبترین روشها برای الگوریتم پیشنهادی گزینش‌ شده‌اند. از این الگوریتم برای استخراج ویژگی، کاهش بُعد و کلاسهبندی صدای هشت کشتی استفاده‌ شده است. الگوریتم پیشنهادی بر روی سیگنالهای واقعی و نیز نسخه آغشته به نویز (با نسبت-های 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.