بهینه سازی طبقه بندی داده های سونار با استفاده از شبکه های عصبی مصنوعی پرسپترون چندلایه برای تشخیص اهداف دریایی

فناوری پردازش داده های سونار به منظور شناسایی اهدافی با پژواک های ناپایدار که در روش های سنتی ردیابی از قابلیت اطمینان کافی برخوردار نیستند توسعه یافته است. در سال های اخیر بهره گیری از الگوریتم های هوش مصنوعی به ویژه در مقایسه با روش های متداول سونار که با محدودیت هایی در دقت و پایداری مواجه اند به بهبود قابل توجه عملکرد شناسایی اهداف زیرآبی منجر شده است. این مطالعه با تمرکز بر مسائل پیچیده ای نظیر تشخیص اهداف، دریایی از یک مدل پیشرفته شبکه عصبی مصنوعی مبتنی بر پرسپترون چندلایه استفاده کرده و تاثیر معماری، شبکه به ویژه تعداد، لایه ها را بر کارایی طبقه بندی داده های سونار بررسی نموده است. عملکرد مدل پیشنهادی با مدل های پایه یادگیری ماشین و رویکردهای ترکیبی از طریق مقایسه ای جامع ارزیابی شده است. با توجه به تنوع اهداف و پایگاه های داده نرخ میانگین تشخیص به عنوان معیار اصلی ارزیابی انتخاب شد معیارهای تحلیلی شامل صحت، پوشش، امتیاز F۱ و دقت نیز تحلیل شدند تا برتری مدل پیشنهادی در مقایسه با روش های موجود به طور مستدل اثبات گردد.

کلیدواژه ها:

پردازش داده ، شناسایی اهداف ، هوش مصنوعی ، سونار ، شبکه عصبی مصنوعی