|
Title
|
گروه بندي اهداف زير آب بر اساس ويژگي هاي شكل
|
|
Type
|
Thesis
|
|
Keywords
|
Sonar, classification, feature extraction, decision profile.
|
|
Abstract
|
شناسايي و طبقه بندي اشياء داخل آب به خصوص مين هاي دريايي نياز اساسي براي دستگاه هاي نظامي و
غيرنظامي است. يكي از مهمترين وسايلي كه بدين منظور طراحي و ساخته شده، سونار است. سونار به
عنوان يك حسگر صوتي زير سطحي، به منظور شناسايي اجسام داخل آب به كار ميرود. از جمله قابليت
هاي سونار، آشكارسازي، تشخيص وطبقه بندي اهداف داخل آب، از جمله تشخيص مين هاي دريايي در
برابر صخره هاي سنگي است. تصميم گيري در مورد نوع اجسام داخل آب و طبقه بندي آنها بر اساس
سيگنال هاي بازگشتي از اهداف صورت مي گيرد.
مسئله تشخيص و طبقه بندي اهداف آكوستيكي بر اساس سيگنال هاي رسيده به سونار همواره با چالش هايي روبرو بوده است. بعضي از اين عوامل عبارتند از: وجود صداهاي مبهم و اغتشاشات داخل محيط آب،
انعكاسات سطح و كف دريا، وجود نويز محيطي دريا و پديده چندمسيري. چنانچه تعداد اشكال هندسي
اهداف داخل آب زياد شود، كلاس هاي دسته بند زياد مي شود و اين مسئله هم باعث كاهش نرخ طبقه
بندي مي شود. علاوه بر اين مسائل، چرخش زاويه ي هدف به عنوان يك عامل غيرخطي هم باعث كاهش
صحت طبقه بندي مي شود.
بنابراين به منظور غلبه بر اين مسائل، به دنبال روش هايي هستيم كه نه تنها از كاهش عملكرد طبقه بندي
كننده جلوگيري كند، بلكه نرخ طبقه بندي را تا حد مطلوبي بهبود دهد. آزمايشات انجام شده در اين
پايان نامه شامل دو مرحله ي كلي است. درفاز اول آزمايشات، كارايي متداولترين الگوريتم هاي خطي
را بر روي سيگنال- KPCA و الگوريتم غيرخطي استخراج ويژگي LDA و CCA ،PCA استخراج ويژگي
هاي بازگشتي از اهداف سونار مورد مطالعه قرار دادهايم. هر الگوريتم استخراج ويژگي با توجه به ساختار و
فرمولبندي كه دارد برخي از ويژگي هاي داده هاي سونار را بيشتر مورد توجه قرار مي دهد و برخي را
كمتر، بنابراين طبقه بندي كنندههايي كه از الگوريتم هاي مختلف استخراج ويژگي استفاده مي كنند
كارايي متفاوت دارند.
در فاز دوم آزمايشات، به منظور انتخاب بهينه طبقه بندي كننده ها، تركيبي از نتايج حاصل از طبقه بندي
كننده هاي مبتني بر فضاي استخراج ويژگي را براي تصميم گيري استفاده كرده ايم. اين روش شامل دو
مرحله، يكي انتخاب بهترين طبقه بند و ديگري ادغام اطلاعات حاصل از هر طبقه بند است. با اين روش از
كليه قابليت هاي طبقه بندي كننده هاي مختلف استفاده كرده و نقاط ضعف يك طبقه بندي توسط نقاط
قوت طبقه بند
|
|
Researchers
|
Ahmad Keshavarz (Primary advisor) , Habib Rostami (Advisor)
|