بهینه سازی عملکرد شبکه های مولد متخاصم(GANs) به منظور تقویت سیگنال صوت در شناورهای اثر سطحی و سیستم های ناوبری دریایی

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 86

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MSTJ-29-116_007

تاریخ نمایه سازی: 16 اسفند 1404

چکیده مقاله:

شبکه های مولد متخاصم اثبات کرده اند که به منظور تقویت سیگنال صوت بسیار موثر و کاربردی هستند. با این حال، بیشتر شبکه های تقویت کننده موجود از یک تولیدکننده واحد برای انجام نگاشت تقویت در یک مرحله استفاده می کنند و این امر باعث کاهش سرعت و دقت در سیستم و وجود سیگنال های آلوده را تا حد بسیار زیادی افزایش می دهند. در این روش مدلی ارایه شده است که از چند تولیدکننده زنجیروار استفاده تا نگاشت تقویت چند مرحله ای انجام شود، به طوری که سیگنال آلوده به نویز ورودی به صورت مرحله ای و تدریجی پاکسازی و بهینه شود. در این روش پیشنهادی دو مدل کاربردی به منظور بهینه سازی سیگنال ارایه شده است. در حالت اول، تولیدکننده ها موظفند یک نگاشت مشترک آموزش دیده و در تمام مراحل تقویت سازی به صورت تکراری اعمال و باعث کاهش حجم مدل شود. در مرحله دوم، هر تولیدکننده نگاشت متفاوتی در هر مرحله از شبکه می آموزد که انعطاف پذیری بیشتری دارد اما باعث افزایش حجم مدل می شود. در نهایت نتایج نشان می دهد که روش پیشنهادی چند مرحله ای عملکرد بهتری نسبت به روش تک مرحله ای خواهد داشت و تولیدکننده های مستقل نتایج بهینه و با ضریب اطمینان بالاتری نسبت به تولید کننده های مشترک ارائه می کنند و سیگنال پاکسازی شده با کمترین میزان آلودگی را در اختیار سیستم های گیرنده قرار داده و نقش مفیدتری در سیستم های ناوبری علی الخصوص سونار و شناورهای سطحی را بر عهده دارند.

کلیدواژه ها:

شبکه های مولد مقابله ای ، مدل تک و چند مرحله ای ، تولیدکننده های مستقل ، شناورهای سطحی ، ناوبری دریایی

نویسندگان

گوهر ورامینی

گروه مهندسی برق، واحد بیضا، دانشگاه آزاد اسلامی، بیضا، ایران

پریسا رحمانی

گروه مهندسی کامپیوتر، واحد علوم و فناوری، دانشگاه آزاد اسلامی، پردیس تهران، ایران

سید امیر شمس نیا

گروه سنجش از دور و GIS، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • P. C. Loizou, Speech Enhancement: Theory and Practice, CRC Press, ...
  • K. He, X. Zhang, S. Ren, and J. Sun, “Delving ...
  • A. Radford, L. Metz, and S. Chintala, “Unsupervised representation learning ...
  • T. M. Quan, T. Nguyen-Duc, and W.-K. Jeong, “Compressed sensing ...
  • X. Mao, Q. Li, H. Xie, R. Y. K. Lau, ...
  • Communications and Networking, vol. ۲۰۱۸, no. ۱, pp. ۱۸۱, ۲۰۱۸ ...
  • Z. X. Li, L. R. Dai, Y. Song, and I. ...
  • S. Pascual, J. Serra, and A. Bona font, “Towards generalized ...
  • I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley,S. ...
  • S. R. Park and J. Lee, “A fully convolutional neural ...
  • T. Salimans, I. Goodfellow, W. Zaremba, V. Cheung, A. Radford, ...
  • C. Valentini- Botion hao, X. Wang, S. Takaki, and J. ...
  • M. Abadi et al., “Tensor flow: Large-scale machine learning on ...
  • C. Veaux, J. Yamagishi, and S. King, “The voice bank ...
  • J. Thiemann, N. Ito, and E. Vincent, “The diverse environments ...
  • F. Weninger, H. Erdogan, S. Watanabe, E. Vincent, J. Le ...
  • N. Mamun, S. Khorram, and J. H. L. Hansen, “Convolutional ...
  • نمایش کامل مراجع