تجزیه حالت متغیر متوالی و شبکه حافظه کوتاه بلندمدت برای تشخیص نوع کشتی

کشتی ها به عنوان ابزار اصلی توسعه و اکتشاف دریایی نقش مهمی دارند. کشتی ها هنگام حرکت در دریا ناگزیر طیفی از صداهای تابشی را منتشر می کنند. نظارت و تجزیه و تحلیل صدای کشتی امکان نظارت و مدیریت موثر کشتی ها را فراهم می کند که می تواند توسعه صنعت دریایی را ارتقا دهد و ایمنی دریایی را با اهمیت امنیتی و نظامی بسیار تضمین کند. از این رو در این مقاله روش جدیدی برای طبقه بندی نویز صوتی تشعشع یافته از کشتی با هدف تشخیص نوع کشتی ارائه می کنیم. روش ارائه شده ابتدا با استفاده از تجزیه حالت متغیر متوالی (SVMD)، توابع حالت ذاتی (IMF) سیگنال های صوتی زیرآب را استخراج می کند. در ادامه، وابستگی های بلندمدت در این توابع، با استفاده از شبکه های حافظه کوتاه بلندمدت (LSTM) شناسایی و طبقه بندی می شوند. شبیه سازی انجام یافته با استفاده از نرم افزار MATLAB بر روی پایگاه داده DeepShip نشان دادند که روش پیشنهادی قادر است با دقت ۹۹.۱۶% چهار نوع کشتی را طبقه بندی کند. نتایج به دست آمده نشان می دهند که روش پیشنهادی می تواند به عنوان روشی مفید برای تشخیص انواع کشتی با استفاده از سیگنال های صوتی زیرآب استفاده شود.

کلیدواژه ها:

تشخیص کشتی ، تجزیه حالت متغیر متوالی (SVMD) ، توابع حالت ذاتی ، شبکه حافظه کوتاه بلندمدت (LSTM)