چکيده— نویز ساطع شده از کشتی های واقع در اقیانوس شامل اطلاعاتی در خصوص ماشین آلات این کشتی ها بوده و می توان از این اطلاعات در فرآیند های تشخیص و نیز تعیین هویت کشتی ها استفاده نمود. در اینجا، یک روش پیش پردازش برای بهبود و ارتقای عملکرد یک شبکه عصبی پیش خور (feedforward) توسعه یافته است. از این شبکه عصبی برای طبقه بندی 4 کلاس مختلف از کشتی ها استفاده می شود. مجموعه سیستم، در حوزه فرکانس یکسری عملیات را بر روی اطلاعات جمع آوری شده - از طریق سنسور های یک سیستم سونار پسیو - انجام می دهد. تاثیر پروسه میانگین گیری از طیف ها، میزان دقت و تفکیک پذیری و نیز نرمالیزاسیون نویز پس زمینه بر روی عملکرد طبقه بندی کننده، مورد ارزیابی قرار می گیرد. استفاده از داده های پیش پردازش شده برای تغذیه گره های ورودی طبقه بندی کننده، باعث حصول راندمان طبقه بندی به میزان تقریبی 97% می شود.

Abstract:  The noise radiated from ships in the ocean contains information about their machinery and can be used for detection and identification purposes. Here, a preprocessing method is developed in order to improve the performance of a feedforward neural network, which is used to classify four classes of ships. The entire system operates in the frequency domain over the information collected by the sensors of a passive sonar system. The effect of spectra averaging, resolution and background noise normalisation in the classifier performance is evaluated. Using preprocessed data to feed the input nodes of the classifier, a classification efficiency of about 97% has been achieved.