Istilah SONAR merujuk kepada teknik yang menggunakan perambatan bunyi dalam air
untuk navigasi komunikasi atau mengesan objek lain di dalam air. Bagi projek ini, set data
sonar yang digunakan mengandungi isyarat yang diperolehi daripada pelbagai perbezaan
dari segi sudut, 90 darjah untuk silinder logam dan 180 darjah untuk silinder luruslaras
batu. Setiap corak adalah set bagi 60 nilai dalam julat 0.0 hingga 1.0. Setiap nombor
mewakili tenaga dalam tempoh perincian jalur frekuensi, bersepadu dalam tempoh masa
tertentu. Satu sistem pintar dari Rangkaian Neural Buatan (RNB) digunakan untuk
mengklasifikasikan isyarat sonar daripada dua jenis sasaran di bawah laut iaitu silinder
logam (bounced off a cylinder metal) dan silinder luruslaras batu (bounced of cylindrical
rock). Rangkaian Perceptron Berbilang Lapisan (MLP) digunakan untuk mengesan dan
mengelas setiap isyarat sonar. Algoritma pembelajaran Bayesian Regularization backpropagation
digunakan untuk melatih rangkaian. MLP yang memberikan anggaran
pengelasan dengan purata ralat yang terkecil dipilih untuk membentuk MLP gabungan dan
disatukan di dalam satu sistem undian. Dalam projek ini, MLP diimplementasikan dalam
satu dan dua kelas keluaran. Pembandingan prestasi dilakukan kepada kedua-dua kelas
keluaran. Sistem MLP gabungan diuji dengan menggunakan set data pengesahan dan
prestasinya dibandingkan dengan MLP tunggal tanpa skema undian. Keputusan
menunjukkan MLP dengan satu kelas keluaran mengelas isyarat sonar dengan lebih baik
daripada MLP dua kelas keluaran. Manakala MLP gabungan pula memberikan pengelasan
isyarat sonar lebih baik daripada MLP tunggal. Keputusan yang diperolehi menunjukkan
bahawa skema undian boleh digunakan untuk meningkatkan ketepatan pengelasan isyarat
sonar.
------------------------------------------------------------------------------------------------------------------------------------
SONAR is a technique that uses sound propagation to navigate, communicate with or detect
other objects. In this project, sonar data set are obtained from cylinder at aspect angles
spanning 90 degree and from the rock at aspect angles spanning 180 degree. Each pattern is
a set of 60 numbers in the range 0.0 to 1.0. Each number represents the energy within a
particular frequency band, integrated over a certain period of time. An intelligent system
from Artificial Neural Network (ANN) has been applied to the classification of SONAR
returns from undersea targets, which are bounced off a metal cylinder and those bounced
off a roughly cylindrical rock. Multilayer Perceptron (MLP) ANNs are used to identify and
classify each sonar signal. The Bayesian Regularization back-propagation learning
algorithm was used to train the network. MLPs that give small average error has been
chosen to form an MLP ensemble, and to integrate with a voting system. In this project,
MLPs with one and two output classes has been implemented. The performance of both
types of MLP output classes are compared.This ensemble system are tested using the
verification data set and its performance is compared with single MLPs without the voting
scheme. The result show that MLP with one output class can classify sonar signals better
than MLPs with two output classes. While, MLP ensemble gives better sonar signal
classification than single MLPs. The results demonstrate the feasibility of applying the
MLP ensemble to increase the classification performance of classifying the sonar signals.
SONAR is a technique that uses sound propagation to navigate, communicate with or detect
other objects.; sonar data set are obtained from cylinder at aspect angles spanning 90 degree and from the rock at aspect angles spanning 180 degree; bounced off a metal cylinder and those bounced off a roughly cylindrical rock.
Classification of sonar signals using artificial neural network voting scheme_Nor Shaadah Bt Hamzah_E3_2010_875003615_00003084308_NI