ارزیابی حساسیت و عملکرد سیستم بازشناسی خودکار سونار مبتنی بر الگوریتم k نزدیک‌ترین همسایه در مسائل طبقه‌بندی چندکلاسی

پردازش داده‌های سونار برای شناسایی و ردیابی اهدافی استفاده می‌شود که پژواک‌های آن‌ها ناپایدار است، به‌طوری که شناسایی آن‌ها در روش‌های ردیابی معمول قابل اعتماد نیست. اخیراً، استفاده از روش‌های هوش مصنوعی به طور موثری دقت تشخیص اهداف زیرآبی را در مقایسه با روش‌های مرسوم تشخیص اهداف سونار که دارای استحکام و دقت پایین هستند، بهبود بخشیده است. در این پژوهش برای نخستین بار تاثیر مقادیر مختلف k بر عملکرد الگوریتم k نزدیک‌ترین همسایه (knn) در داده‌های سونار با ساختار چندکلاسه واقعی بررسی شده است. در این مقاله برای بهبود طبقه‌بندی داده‌های سونار در مسائل پیچیده‌ای مانند شناسایی اهداف دریایی از الگوریتم k نزدیک‌ترین همسایه و تاثیر مقدار k استفاده شده است. نتایج مدل‌های پایه یادگیری ماشین و مدل‌های ترکیبی با مدل پیشنهادی مقایسه شده است. با توجه به اینکه اهداف و پایگاه‌های داده متفاوت هستند، میانگین نرخ تشخیص معیار قرار داده شده است. در این مقایسه پارامترهای تحلیلی صحت، پوشش، امتیاز f1 و دقت در نظر گرفته شده و مورد بررسی قرار گرفتند تا عملکرد برتر روش پیشنهادی نسبت به سایر روش‌ها نشان داده شود.

evaluation of the sensitivity and performance of an automatic sonar recognition system based on the k-nearest neighbor algorithm in multiclass classification problems

sonar data processing is used to detect and track targets whose echoes are unstable, so that their detection by conventional tracking methods is not reliable. recently, the use of artificial intelligence methods has effectively improved the accuracy of underwater target detection compared to conventional sonar target detection methods that have low robustness and accuracy. in this study, the effect of different k values on the performance of the k-nearest neighbor (knn) algorithm on sonar data with a real multi-class structure is investigated for the first time. in this paper, the k-nearest neighbor algorithm and the effect of k value are used to improve the classification of sonar data in complex problems such as marine target detection. the results of the basic machine learning models and hybrid models are compared with the proposed model. considering that the targets and databases are different, the average detection rate is taken as the benchmark. in this comparison, the analytical parameters of accuracy, coverage, f1 score, and precision were considered and examined to show the superior performance of the proposed method compared to other methods.