ارائه روش تازه برای بهبود تفکیک پذیری در هدف یابی سونار با استفاده از روش های کاهش ابعاد و روش های طبقه بندی

طبقه بندی و تفکیک اهداف از زمینه های تحقیقاتی مهم در سونار، رادار و داده کاوی می باشد. طبقه بندی و تشخیص هدف در سونار در ساده ترین حالت بدین معنی است که هدف چه نوع شناوری است قایق ، کشتی و یا زیردریایی . اما هر کدام از این موارد هم می توانند به چندین دسته مختلف تقسیم شوند. سیستم طبقه بندی اهداف سونار شامل سه مرحله اصلی: پیش پردازش، استخراج یا انتخاب ویژگی های مهم و در انتها طبقه بندی و تشخیص می باشد. برای تمامی این مراحل راهکارهایی وجود دارد، هرکدام از این بخش ها اهمیت خاصی در تعیین نتیجه مطلوب این سیستم دارد. پیش پردازش مطلوب باعث تعیین ویژگی های بهتر و قابل تفکیک بیشتر می شود که نتیجه را به شدت ارتقا می دهد. استخراج ویژگی های با تفکیک پذیری بیشتر، و عدم انتخاب ویژگی های نامرتبط و اطلاعات اضافی همزمان باعث تفکیک پذیری بیشتر کلاس ها و کم کردن ابعاد مسئله می شود. از مجموعه داده پیش پردازش شده سونار استفاده خواهد شد، ابتدا با استفاده از روش های مختلف استخراج ویژگی از قبیل: الگوریتم بهینه سازی ژنتیک GA ، الگوریتم جستجوی مستقیم دنباله های SFS ابعاد مسئله کاهش خواهد یافت سپس با استفاده از روش های طبقه بندی همچون: شبکه عصبی ANN و روش پیشنهادی یعنی ماشین بردار پشتیبان SVM ، به طبقه بندی و ارائه نتایج پرداخته خواهد شد. در تمامی حالات طبقه بندی از اعتبارسنجی متقاطع به منظور آزمایش تمام حالات داده استفاده خواهد شد.

کلیدواژه ها:

طبقه بندی اهداف ، استخراج ویژگی ، ماشین بردار پشتیبان ، داده کاوی ، شبکه عصبی ، یادگیری ماشین