ارزیابی حساسیت و عملکرد سیستم بازشناسی خودکار سونار مبتنی بر الگور یتم K نزدیکتری ن همسایه در مسائل طبقهبندی چندکلاسی

Abstract

پردازش داد ههای سونار برای شناسایی و ردیابی اهدافی استفاده م یشود که پژوا کهای آنها ناپایدار است، ب هطوری که شناسایی آنها در رو شهای ردیابی معمول قابل اعتماد نیست. اخیراً، استفاده از رو شهای هوش مصنوعی به طور مؤثری دقت تشخیص اهداف زیرآبی را در مقایسه با روشهای مرسوم تشخیص اهداف سونار که دارای استحکام و دقت پایی ن هستند، بهبود بخشید ه است. در این پژوهش برای نخستی ن بار تأثیر مقادیر مختلف K بر عملکرد الگوریت م K نزدی کترین همسایه ) KNN ( در داد ههای سونار با ساختار چندکلاسه واقعی بررسی شده است. در ای ن مقاله برای بهبود طبق هبندی داد ههای سونار در مسائل پیچید های مانند شناسای ی اهداف دریایی از الگوریتم K نزدی کترین همسایه و تأثی ر مقدار K استفاده شده است. نتای ج مد لهای پایه یادگیری ماشی ن و مد لهای ترکیبی با مدل پیشنهادی مقایسه شده است. با توجه به اینکه اهداف و پایگا ههای داده متفاوت هستند، میانگین نرخ تشخی ص معیار قرار داده شده است. در این مقایسه پارامترهای تحلیل ی صحت، پوشش، امتیاز F1 و دقت در نظر گرفته شده و مورد بررسی قرار گرفتند تا عملکرد برتر روش پیشنهادی نسبت به سایر روشها نشان داده شود .