بهینه‌سازی طبقه‌بندی داده‌های سونار با بهره‌گیری از شبکه‌های عصبی مصنوعی پرسپترون چندلایه برای تشخیص اهداف دریایی

فناوری پردازش داده‌های سونار به‌منظور شناسایی اهدافی با پژواک‌های ناپایدار، که در روش‌های سنتی ردیابی از قابلیت اطمینان کافی برخوردار نیستند، توسعه یافته است. در سال‌های اخیر، بهره‌گیری از الگوریتم‌های هوش مصنوعی، به‌ویژه در مقایسه با روش‌های متداول سونار که با محدودیت‌هایی در دقت و پایداری مواجه‌اند، به بهبود قابل‌توجه عملکرد شناسایی اهداف زیرآبی منجر شده است. این مطالعه با تمرکز بر مسائل پیچیده‌ای نظیر تشخیص اهداف دریایی، از یک مدل پیشرفته شبکه عصبی مصنوعی مبتنی بر پرسپترون چندلایه استفاده کرده و تاثیر معماری شبکه، به‌ویژه تعداد لایه‌ها، را بر کارایی طبقه‌بندی داده‌های سونار بررسی نموده است. عملکرد مدل پیشنهادی با مدل‌های پایه یادگیری ماشین و رویکردهای ترکیبی از طریق مقایسه‌ای جامع ارزیابی شده است. با توجه به تنوع اهداف و پایگاه‌های داده، نرخ میانگین تشخیص به‌عنوان معیار اصلی ارزیابی انتخاب شد. معیارهای تحلیلی شامل صحت، پوشش، امتیاز f1 و دقت نیز تحلیل شدند تا برتری مدل پیشنهادی در مقایسه با روش‌های موجود به‌طور مستدل اثبات گردد.

optimization of sonar data classification using multilayer perceptron artificial neural networks for marine target detection

sonar data processing technology has been developed to detect targets with unstable echoes, which are not reliable enough in traditional tracking methods. in recent years, the use of artificial intelligence algorithms has led to significant improvements in underwater target detection performance, especially compared to conventional sonar methods that face limitations in accuracy and stability. focusing on complex problems such as marine target detection, this study uses an advanced artificial neural network model based on multilayer perceptron and investigates the effect of network architecture, especially the number of layers, on sonar data classification efficiency. the performance of the proposed model has been evaluated through a comprehensive comparison with basic machine learning models and hybrid approaches. considering the diversity of targets and databases, the average detection rate was selected as the main evaluation criterion. analytical criteria including accuracy, coverage, f1-score, and precision were also analyzed to substantiate the superiority of the proposed model compared to existing methods.