الكترونيك - سيستم‎هاي الكترونيك ديجيتال

آذرماه ۱۳۹۶

دكتر سيد محمدرضا موسوي ميركلايي

برق

دسته‌بندي اهداف سوناري طيف وسيعي از اهداف قابلِ دسته‌بندي و همچنين روش‌هاي متعددي براي اجراي آن را دربر مي‌گيرد. صوت‌هاي آشكارسازي شده توسط گيرنده سونار به دو گروه كلي صوت‌هاي مربوط به اهداف و صوت‌هاي غيرهدف تقسيم‌بندي مي‌شود. از يك‌ سو تفكيك و دسته‌بندي صوت‌هاي اهداف از صوت‌هاي مزاحم (كه ويژگي‌هاي بسيار شبيه به اهداف دارند) و از سوي ديگر دسته‌بندي صوت اهداف به گروه‌هاي مختلف با توجه به كاربردهاي حساس نظامي و غيرنظامي از موضوعات چالش‌برانگيز تحقيقات مي‌باشد. صوت‌هاي دريافت شده توسط گيرنده سوناري شامل نويز، طنين، كلاتر و انواع اهداف موجود در دريا هستند. در اين رساله، يك سامانه دسته‌بندي‌كننده اهداف سوناري با استفاده از شبكه¬هاي عصبي فراابتكاري ارائه شده است. اين دسته‌بندي‌كننده به¬صورتي طراحي شده¬است كه از يك¬ سو توانايي دسته‌بندي اهداف واقعي ثابت از اهداف كاذب مانند كلاتر را داشته باشد و از سوي ¬ديگر بتواند اهداف واقعي متحرك را از يكديگر با دقت بالاي 94 درصد و به¬صورت بلادرنگ دسته‌بندي كند. در اين رساله به‌منظور كاهش وابستگي به شرايط محيطي، مجموعه داده‌ها وسيع و گسترده و انجام محاسبات آماري از شبكه¬هاي عصبي به¬عنوان دسته‌بندي‌كننده استفاده شده است. با توجه به ويژگي‌هاي داده‌ها سوناري و ابعاد بسيار بالاي آن‌ها، استفاده از رو¬ش¬هاي متعارف و معين براي آموزش به نتايج دسته‌بندي دقيق و بلادرنگ منجر نمي¬گرديد. بدين منظور در اين رساله از الگوريتم‌هاي فراابتكاري مختلف براي آموزش شبكه¬هاي عصبي به‌عنوان دسته‌بندي‌كننده اهداف سوناري استفاده گرديد. در مرحله بعد با توجه به ماهيت داده‌ها سوناري، عملكرد اين الگوريتم‌ها در چند مرحله بهبود داده شد و در نهايت الگوريتمي با نام بهينه‌ساز شامپانزه براي آموزش ارائه گرديد. اين الگوريتم با استفاده از گروه‌هاي مستقل در فاز اكتشاف و نقشه¬هاي آشفته در فاز بهره¬برداري قادر به‌دسته‌بندي اهداف سوناري با دقت 44/97 درصد مي‌باشد كه در اين حالت دقت نسبت به داده‌ها با شرايط تقريباً يكسان 24/2 درصد افزايش پيدا كرد. به‌منظور ارضاي شرط دسته‌بندي بلادرنگ دسته‌بندي‌كننده طراحي شده و تمامي مراحل پيش¬پردازش و استخراج ويژگي بر روي تراشه FPGA با استفاده از ابزارXilinx System Generator پياده‌سازي گرديد.

1396/10/17

1/7/2019 12:00:00 AM

Sonar target classification is considered the wide range of targets and methods for classification. The detected echoes are classified into the target and non-target echoes. The classification of targets and false alarm, which are very similar to target’s features, and also the classification of various floating targets are the challenging points for the researcher, considering the military and commercial sensitivity in this field of study. Received echoes include noise, reverberation, clutter and various targets in the sea. In this thesis, a sonar target classifier system is designed using evolutionary neural networks. This classifier is designed in such a way that it be able to classify various floating targets in addition to target and non-target echoes in real-time and with an accuracy of 94%. This thesis uses the neural network as a classifier to reduce the impact of environmental conditions, complex naval experiment and high statistical processing load. Because the sonar dataset’s high-dimension disrupt the real-time operation and accuracy of the designed classifier, in this thesis, newly proposed meta-heuristic algorithms are considered for neural network training algorithm. In the next step, those utilized meta-heuristic algorithms were modified to improve the classifier performance in addition to propose a new meta-heuristic algorithm entitled “Chimp Optimization Algorithm (ChOA)”. ChOA is able to classify sonar data set with an accuracy of 97.44% which is 2.24% greater than the best benchmark classifier in the almost equal condition. Then, to satisfy the real-time classification condition, the designed classifier was implemented on Field Programmable Gate Array (FPGA) using Xilinx System Generator (XSG) tool.