بهینه سازی طبقهبند ی داده های سونار با بهره گیری از شبکه های عصبی مصنوعی پرسپترون چندلایه برای تشخیص اهداف دریایی

Abstract

فناوری پردازش داد ههای سونار ب همنظور شناسایی اهداف ی با پژوا کهای ناپایدار ، که در روشها ی سنتی ردیابی از قابلیت اطمینان کاف ی برخوردار نیستند، توسعه یافته است. در سا لهای اخیر، بهرهگیری از الگوریتمهای هوش مصنوعی، به ویژه در مقایسه با روشه ا ی متداول سونار که با محدودیتهایی در دقت و پایدار ی مواج هاند، به بهبود قاب لتوجه عملکرد شناسایی اهداف زیرآبی منجر شده است. این مطالعه با تمرکز بر مسائل پیچید های نظیر تشخیص اهداف دریایی، از یک مدل پیشرفته شبکه عصبی مصنوعی مبتنی بر پرسپترون چندلایه استفاده کرده و تأثیر معمار ی شبکه، ب ه ویژه تعداد لای هها، را بر کارایی طبقهبندی داد ههای سونار بررسی نموده است. عملکرد مدل پیشنهادی با مد لهای پایه یادگیری ماشین و ر ویکردها ی ترکیبی از طریق مقایس های جامع ارزیابی شده است. با توجه به تنوع اهداف و پایگا ههای داده، نرخ میانگین تشخیص ب هعنوان معیار اصلی ارزیابی انتخاب شد. معیارهای تحلیلی شامل صحت، پوشش، امتیاز F1 و دقت نیز تحلیل شدند تا برتری مدل پیشنهادی در مقایس ه با رو شه ای موجود ب هطور مستدل اثبات گردد