حبیب رستمی

شناسایی و طبقه بندی اشیاء داخل آب به خصوص مین های دریایی نیاز اساسی برای دستگاه های نظامی و غیرنظامی است. یکی از مهمترین وسایلی که بدین منظور طراحی و ساخته شده، سونار است. سونار به عنوان یک حسگر صوتی زیر سطحی، به منظور شناسایی اجسام داخل آب به کار میرود. از جمله قابلیت های سونار، آشکارسازی، تشخیص وطبقه بندی اهداف داخل آب، از جمله تشخیص مین های دریایی در برابر صخره های سنگی است. تصمیم گیری در مورد نوع اجسام داخل آب و طبقه بندی آنها بر اساس سیگنال های بازگشتی از اهداف صورت می گیرد. مسئله تشخیص و طبقه بندی اهداف آکوستیکی بر اساس سیگنال های رسیده به سونار همواره با چالش هایی روبرو بوده است. بعضی از این عوامل عبارتند از: وجود صداهای مبهم و اغتشاشات داخل محیط آب، انعکاسات سطح و کف دریا، وجود نویز محیطی دریا و پدیده چندمسیری. چنانچه تعداد اشکال هندسی اهداف داخل آب زیاد شود، کلاس های دسته بند زیاد می شود و این مسئله هم باعث کاهش نرخ طبقه بندی می شود. علاوه بر این مسائل، چرخش زاویه ی هدف به عنوان یک عامل غیرخطی هم باعث کاهش صحت طبقه بندی می شود. بنابراین به منظور غلبه بر این مسائل، به دنبال روش هایی هستیم که نه تنها از کاهش عملکرد طبقه بندی کننده جلوگیری کند، بلکه نرخ طبقه بندی را تا حد مطلوبی بهبود دهد. آزمایشات انجام شده در این پایان نامه شامل دو مرحله ی کلی است. درفاز اول آزمایشات، کارایی متداولترین الگوریتم های خطی را بر روی سیگنال- KPCA و الگوریتم غیرخطی استخراج ویژگی LDA و CCA ،PCA استخراج ویژگی های بازگشتی از اهداف سونار مورد مطالعه قرار دادهایم. هر الگوریتم استخراج ویژگی با توجه به ساختار و فرمولبندی که دارد برخی از ویژگی های داده های سونار را بیشتر مورد توجه قرار می دهد و برخی را کمتر، بنابراین طبقه بندی کنندههایی که از الگوریتم های مختلف استخراج ویژگی استفاده می کنند کارایی متفاوت دارند. در فاز دوم آزمایشات، به منظور انتخاب بهینه طبقه بندی کننده ها، ترکیبی از نتایج حاصل از طبقه بندی کننده های مبتنی بر فضای استخراج ویژگی را برای تصمیم گیری استفاده کرده ایم. این روش شامل دو مرحله، یکی انتخاب بهترین طبقه بند و دیگری ادغام اطلاعات حاصل از هر طبقه بند است. با این روش از کلیه قابلیت های طبقه بندی کننده های مختلف استفاده کرده و نقاط ضعف یک طبقه بندی توسط نقاط قوت طبقه بند