طبقه‌بندی بهینه اهداف سونار از طریق همجوشی تصمیم‌گیری پیشرفته مبتنی بر اتوماتای یادگیر فازی

دقت تشخیص اهداف زیرآبی با استفاده از تکنیک‌های سنتی تشخیص هدف سونار که فاقد استحکام و دقت هستند با بهره‌گیری از الگوریتم‌های یادگیری خودکار به طور قابل توجهی بهبود یافته‌اند. این تحقیق از ترکیبی از طبقه‌بندی‌کننده‌ها برای بهبود دقت طبقه‌بندی داده‌های سونار برای کارهای پیچیده‌ای مانند شناسایی اهداف دریایی استفاده می‌کند. هر طبقه‌بندی‌کننده الگوی داده خود را ایجاد کرده و یک مدل را حفظ می‌کند. در نهایت، یک فرآیند رای‌گیری وزنی توسط الگوریتم اتوماتای یادگیر فازی در بین این طبقه‌بندی‌کننده‌ها انجام می‌شود و طبقه‌بندی که بالاترین رای را دریافت می‌کند، بیشترین تاثیر را بر بهبود عملکرد دارد. نتایج به دست آمده با پارامترهای تحلیلی صحت، پوشش، امتیاز f1 و دقت بررسی و با آخرین تحقیقات مشابه مقایسه شده و به ترتیب مقادیر 6/88 %، 2/90 %، 02/89 % و 6/88% برای هر یک از این پارامترها در روش پیشنهادی به دست آمده است.

optimal classification of sonar targets through advanced decision fusion based on fuzzy learning automata

the accuracy of underwater target detection using traditional sonar target detection techniques, which lack robustness and accuracy, has been significantly improved by utilizing machine learning algorithms. this research uses a combination of classifiers to improve the classification accuracy of sonar data for complex tasks such as marine target detection. each classifier creates its own data pattern and maintains a model. finally, a weighted voting process is performed by a fuzzy learning automaton algorithm among these classifiers, and the classifier that receives the highest vote has the greatest impact on improving performance. the results obtained are examined with the analytical parameters of accuracy, coverage, f1 score, and precision and compared with the latest similar research, and the values of 88.6%, 90.2%, 89.02%, and 88.6% for each of these parameters are obtained in the proposed method, respectively.