بازشناسی خودکار اهداف سوناری مبتنی بر طبقه بند گروهی با آرای اکثریت وزن دهی شده با الگوریتم بهینه سازی پیاده روی

این مقاله به بررسی بازشناسی خودکار اهداف سوناری با استفاده از طبقه بند گروهی می پردازد که از آرای اکثریت وزن دهی شده و بهینه سازی شده با الگوریتم بهینه سازی پیاده روی (HOA) بهره می گیرد. اهداف پیچیده سوناری و چالش های محیطی در دریاها، نیاز به تکنیک های پیشرفته هوش مصنوعی را افزایش داده است که دقت و انعطاف پذیری بالایی دارند. HOA، که بر اساس الگوی کوهنوردی است، تلاش می کند تا بهینه سازی دقیق تری را برای وزن دهی طبقه بندهای پایه فراهم کند. این مقاله از پنج طبقه بند پایه شامل XGBoost، LightGBM، CatBoost، رگرسیون لجستیک (LR)، و تقویت گرادیانی (GBM) استفاده می کند که با ترکیب آن ها در یک طبقه بند گروهی مبتنی بر MV-HOA، دقت بازشناسی و کاهش خطا بهبود می یابد. نتایج نشان می دهند که استفاده از روش طبقه بند گروهی با الگوریتم HOA، توانایی های قابل توجهی در شناسایی اهداف سونار دارد و می تواند برای کاربردهای صنعتی و نظامی مفید باشد. این روش نوآورانه علاوه بر بهینه سازی آرای طبقه بندها، کارایی مناسب را درعملکرد خود نشان داده و امکان به کارگیری آن در محیط های پیچیده دریایی را فراهم می کند. .

کلیدواژه ها:

Hiking Optimization Algorithm ، Automatic Target Recognition ، AI ، SONAR ، group classifier ، الگوریتم پیاده روی ، بازشناسی خودکار ، هوش مصنوعی ، سونار ، طبقه بند گروهی