%37تخفیف

دانلود پروژه:طبقه بندی هدف در سیستم های سونار مبتنی بر روش Q-Set

تعداد 87 صفحه فایل word

چکیده

در محیط زیرآبی، تشخیص و طبقه بندی اهداف از اهمیت خاصی برخوردار است. با توجه به پیچیدگی محیط اقیانوس و خصوصیات منحصر به فرد کانال آکوستیک، پیدا کردن روشی برای استخراج ویژگی و طبقه بندی هدف با کمترین خطا، موضوعی است که محققان از گذشته تا به امروز در حال مطالعه و آزمایش هستند. اصوات در محیط دریا و اقیانوس با شرایط خاصی منتشر می­شوند و عواملی مانند دمای آب، شوری و غلظت آب و همچنین مدارهای مختلف جغرافیایی عواملی هستند که بر روی سرعت و نحوه انتشار صوت در زیرآب مؤثر هستند. اصوات در کانال های مختلف زیرآبی ویژگی های خاصی را دارا می­باشند. انتشار صوت در زیردریا  با تلفات گوناگونی همراه است و سنسورهایی به نام هیدروفون، مخصوص دریافت امواج ساطع شده از هدف، جهت پردازش هستند. بایستی بتوان از صوت دریافت شده که بیشتر شبیه به یک نویز است، اطلاعات لازم را استخراج نمود و این اطلاعات را برای طبقه بندی  و تشخیص اهداف زیرآبی استفاده کرد. معمولا اطلاعات استخراج شده نیازمند پردازش بیشتری هستند و روش های زیادی از جمله الگوریتم ژنتیک، آنالیز مؤلفه مستقل، و … برای بهینه کردن این ویژگی ها استفاده می­شود. در انتها الگوریتم های طبقه بندی قدرتمندی از جمله روش مدل مخلوط گوسی، K نزدیک ترین همسایه، الگوریتم های فازی، شبکه های عصبی، ماشین بردار پشتیبان و… جهت تشخیص نوع هدف بکار گرفته می­شوند.

در این پایان نامه از روشهای مبتنی بر کاهش تعداد نمونه آموزشی به منظور کاهش پیچیدگی طبقه بندی کننده، استفاده میشود به طوری که با کاهش تعداد نمونه ها به سرعت بالاتری در طبقه بندی دست یابیم و خطای طبقه بندی را تا حد امکان کاهش دهیم. روش معرفی شده در فضای N بعدی تست شده و بر روی داده سونار پیاده سازی شده است. درابتدا در فصل اول به معرفی صوت و کانال های صوتی در زیرآب می­پردازیم. سپس در فصل دوم سونارهای فعال و غیرفعال معرفی و کاربردها و مشکلات سونار بررسی خواهد شد. در فصل سوم انواع روش های تجزیه و تحلیل سیگنال سونار و همچنین سیستمهای طبقه بندی کننده آن معرفی می­شود. روش طبقه بندی کننده مرجع مورد استفاده در این پایان نامه در فصل چهارم شرح داده خواهد شد. روش استفاده شده در پایان نامه مرجع به نام مجموعه Q به همراه نتایج آن به طور کامل در این پایان نامه بازتولید شدند. این روش تنها برای استفاده در یک فضای ویژگی دو بعدی تعریف شده است بدین معنا که برای انجام طبقه بندی سیگنال فقط دو ویژگی درنظر گرفته می­شود. در بسیاری از کاربردها، مخصوصا برای انجام طبقه بندی با دقت بالاتر نیاز به بردارهای ویژگی بیشتری از سیگنال هستیم. لذا در فصل پایانی، روش مجموعه Q را به حالت n بعدی تعمیم داده ایم و نتایج آن را بر روی داده سونار واقعی با 60 ویژگی استفاده کردیم. نتایج شبیه سازی نشان می­دهد که روش تعمیم یافته قدرت بسیار بالایی در طبقه بندی سیگنال سونار دارد و با دقت بالایی عملیات طبقه بندی را انجام می­دهد. متاسفانه بدلیل عدم ارائه مجموعه داده سونار استفاده شده در دیگر مقالات (بدلیل کاربرد نظامی) و همچنین حذف برخی نتایج، در پایان موردی برای مقایسه نتایج این پایان نامه وجود ندارد و می­توان ادعا کرد شاید اولین تحقیق و شبیه سازی در زمینه طبقه بندی سیگنال واقعی سونار در ایران می­باشد.

در انتها در فصل پنجم روش پیاده سازی شده در این پایان نامه به تفصیل بیان می­شود.

کلید واژه- آکوستیک، سونار، طبقه بندی، Q-set

فهرست مطالب

فصل اول : صوت… 1

1-1-مقدمه. 2

1-2-تاریخچه. 2

1-3- مروری بر ادبیات… 3

1-4- انتشار امواج صوتی در آب… 6

1-5-معادله موج.. 7

1-6- سرعت صوت در آب و عوامل موثر بر آن.. 8

1-7- تغییرات سرعت صوت در عمق های مختلف دریا 10

1-8- تغییرات سرعت صوت با عرض جغرافیایی، فصل و ساعات شبانه روز. 11

1-9- کانال های صوتی در آب… 13

فصل دوم : کاربردها و مشکلات سونار. 17

2-1- مقدمه. 18

2-2- سونار. 18

2-2-1- سونار فعال.. 18

2-2-2- سونار غیر فعال.. 18

2-3- پیشرفتهای اساسی و کاربردهای سونار. 19

2-4- معادلات سونار. 20

2-5- محدودیت های سونار. 21

2-5-1- افزایش توان سونار. 21

2-5-2- تلفات انتقال.. 21

2-5-3- تلفات انتشاری… 22

2-5-4-تلفات تضعیف…. 23

2-5-5- انعکاس و پراکندگی.. 24

فصل سوم : الگوریتم های طبقه بندی سیگنال سونار. 25

3-1- مقدمه. 26

3-2- روش های تجزیه و تحلیل سیگنال سونار. 26

3-3- انواع روش های تبدیل ویژگی.. 27

3-3-1- تبدیل ویژگی به روش آنالیز مؤلفه مستقل (ICA). 27

3-3-1-1- تبدیل ویژگی به روش آنالیز مؤلفه اصلی (PCA). 28

3-3-2- تبدیل ویژگی به روش ماشین بردار پشتیبان( SVM). 28

3-3-2-1- SVM خطی.. 29

3-3-2-2- SVM غیر خطی.. 29

3-3-2-3- SVM چند کلاسه. 30

3-3-3- تبدیل ویژگی با استفاده از الگوریتم های بهینه سازی… 30

3-3-3-1- الگوریتم بهینه سازی ژنتیک (GA). 30

3-3-3-2- الگوریتم بهینه سازی ازدحام ذرات (PSO) 31

3-3-3-3- روش نسبت- F. 32

3-4- انواع روش های طبقه بندی… 32

3-4-1-روش بیزین.. 32

3-4-2-دسته بندی با تقریب گوسی.. 32

3-4-3- دسته بندی با استفاده از PDF گوسی چند بعدی… 33

3-4-4-دسته بندی با استفاده از فاصله اقلیدسی.. 34

3-4-5- دسته بندی با استفاده از فاصله ماهالانوبیس…. 34

3-4-6-روش دسته بندی مدل مخلوط گوسی GMM… 35

3-4-7-روش دسته بندی k نزدیک ترین همسایه KNN.. 35

3-4-8-روش دسته بندی فازی… 36

3-4-9- روش دسته بندی شبکه های عصبی.. 37

3-5-خوشه بندی… 37

3-5-1- روش K-Means  یا C-Means. 38

فصل چهارم : بررسی روش مجموعه  Q جهت طبقه بندی سیگنال با بردارویژگی دو بعدی… 39

4-1-  مرجع.. 40

4-2- داده های مشهور مورد تست…. 40

4-2-1- مسئله هارت… 40

4-2-2- مسئله خط مستقیم.. 41

4-3- توضیحات برنامه. 42

4-3-1-  روش CNN.. 42

4-3-2- روش RNN.. 44

4-3-3- روش Q-set 45

4-3-3-1- روش Q-Set P. 47

4-3-3-2- روش Q-Set N.. 48

4-4- نتایج شبیه سازی در فضای دو بعدی… 48

4-4-1- نتایج شبیه سازی برای داده Double-F. 48

4-4-2- نتایج شبیه سازی برای داده Straight Line. 54

فصل پنجم : نتایج شبیه سازی… 56

5-1- تعمیم روش مرجع به حالت N  بعدی… 57

5-2- نتایج شبیه سازی روی داده سونار. 59

5-2-1- مجموعه داده سونار. 59

5-2-2- نتایج شبیه سازی… 59

فصل ششم : نتیجه گیری و پیشنهادات… 67

مراجع.. 70

Abstract. 73

فهرست شکل ها

شکل (1-1): مقطعی از محیط انتشار امواج.. 8

شکل (1-2): سرعت صوت در آب مقطر و آب دریا در عمق صفر برای درجه شوری و حرارت های مختلف…. 9

شکل(1-3): سرعت صوت به صورت تابعی از تغییرات عمق و درجه حرارت… 10

شکل (1-4): منحنی مشخصه سرعت صوت در لایه های مختلف 11

شکل (1-5): تغییرات سرعت صوت در عرض های جغرافیایی مختلف. 12

شکل (1-6): تغییرات سرعت صوت در فصول مختلف برای ناحیه ای با عرض های جغرافیایی.. 13

شکل (1-7): انتشار امواج صوتی در یک لایه مخلوط. 14

شکل (1-8): نمودار ارسال امواج صوتی در کانال صوتی عمیق که منبع روی محور قرار دارد. 14

شکل (1-9): انتشار صوت در اقیانوس و اثر Sofar. 15

شکل (3-1): جداسازی دو کلاس با SVM خطی.. 29

شکل (3-2): جداسازی دو کلاس با SVM غیرخطی.. 30

شکل (3-3): PDF گوسی نرمال]9[ 33

شکل(3-4): دسته بندی بردار مجهول X با روش KNN بر حسب دو ویژگی x1 و x2 36

شکل (4-1): مسئله هارت… 41

شکل (4-2): مسئله خط مستقیم.. 42

شکل (4-3): مقایسه دو روش KNN و CNN 43

شکل (4-4): مقایسه دو روش KNN و RNN 44

شکل (4-5): مثالی از مجموعه Q برای مساله دو بعدی 46

شکل (4-6): نمونه ای از مجموعه های Q و R برای مساله دو بعدی 47

شکل (4-7): خطوط مرزی شبیه سازی شده در داده Double-F با 100 نقطه اولیه. 49

شکل (4-8): خطوط مرزی شبیه سازی شده در داده Double-F با 300 نقطه اولیه. 49

شکل (4-9): خطوط مرزی شبیه سازی شده در داده Double-F با 500 نقطه اولیه. 50

شکل (4-10): خطوط مرزی شبیه سازی شده در داده Double-F با 800 نقطه اولیه. 50

شکل (4-11): خطوط مرزی شبیه سازی شده در داده Double-F با 1600 نقطه اولیه. 51

شکل (4-12): خطوط مرزی شبیه سازی شده در داده Double-F با 3100 نقطه اولیه. 51

شکل (4-13): نمودار تعداد نقاط آموزشی انتخابی شبیه سازی شده در هر الگوریتم برای داده Double-F. 52

شکل (4-14): نمودار خطای طبقه بندی شبیه سازی شده در هر الگوریتم برای داده Double-F. 53

شکل (4-15): نمودار زمان آموزش بر حسب ثانیه برای هر الگوریتم برای داده Double-F. 53

شکل (4-16): نمودار تعداد نقاط آموزشی انتخابی در هر الگوریتم برای داده Straight Line. 54

شکل (4-17): نمودار خطای طبقه بندی در هر الگوریتم برای داده Straight Line. 55

شکل (4-18): نمودار زمان آموزش بر حسب ثانیه برای هر الگوریتم برای داده Straight Line. 55

شکل (5-1): نمودار تعداد نقاط آموزشی انتخابی در هر الگوریتم برای داده سونار. 62

شکل (5-2): نمودار خطای طبقه بندی در هر الگوریتم برای داده سونار. 62

شکل (5-3): نمودار زمان آموزش بر حسب ثانیه در هر الگوریتم برای داده سونار. 63

شکل (5-4) : نمودار تعداد نقاط آموزشی انتخابی به روش مرجع در هر الگوریتم برای داده سونار. 64

شکل (5-5): نمودار خطای طبقه بندی به روش مرجع در هر الگوریتم برای داده سونار. 64

شکل (5-6): نمودار زمان آموزش بر حسب ثانیه به روش مرجع در هر الگوریتم برای داده سونار. 65

فهرست جدول ها

جدول (5-1) نتایج شبیه سازی برای 20 داده آموزشی.. 60

جدول (5-2) نتایج شبیه سازی برای 30 داده آموزشی.. 60

جدول (5-3) نتایج شبیه سازی برای 50 داده آموزشی.. 60

جدول (5-4) نتایج شبیه سازی برای 80 داده آموزشی.. 61

جدول (5-5) نتایج شبیه سازی برای 160 داده آموزشی.. 61

جدول (5-6) نتایج شبیه سازی برای 200 داده آموزشی.. 61

جدول (5-7) نتایج طبقه بندی سیگنال سونار در مرجع 65

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود پروژه:طبقه بندی هدف در سیستم های سونار مبتنی بر روش Q-Set”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo