側掃聲納（SSS）成像是海底數據採集的先進方法之一。技術熟練的技術人員可以解讀所調查區域的圖像，並生成一個底圖，顯示不同類別的海底物質的分佈情況。通過SSS繼續監測海底，可以發現海底的變化。本研究探討了基於智能的聲納圖像分析和海底物質分類的可能性。
分類SSS圖像的唯一可用的測量類型是對應於聲反射率的像素的灰度級。基於單一特徵很難識別和分類對象。然而，灰度轉換的空間順序給圖像賦予了“紋理”特性，正是這些特性在人類解釋中起著重要的輔助作用。基於灰度級對的共生矩陣，可以用空間灰度依賴方法（SGLDM）來表徵圖像紋理。
人工神經網絡（ANN）是分類問題的有力工具。 ANN可以從一組被稱為訓練集的例子中學習分類任務。多層感知器（MLP）是最常用的監督學習ANN模型之一，其經常用於分類問題。然而，當關於數據中類的先驗知識是有限的時，難以準備用於訓練神經網絡分類器的數據集。在這種情況下，唯一可行的選擇是使用數據探索工具，根據數據的突出特點來檢測數據中的組。
自組織特徵映射（SOM）是神經網絡模型之一，在數據挖掘中提供了巨大的潛力。 SOM算法基於無監督的競爭性學習，這意味著訓練完全是數據驅動的。 SOM的各種好處包括高維數據空間在規則的二維網格上的拓撲保持投影和聚類。
在這項研究中，已經使用SOM進行了聲納圖像片段的數據探索。開發的海底識別系統由一個聲納圖像特徵提取工具和兩個神經網絡分類器，標註的SOM特徵圖和SOM_MLP分類器組成。系統根據圖像片段的五個選定特徵，從圖像中識別泥土/泥土，沙子，鰻魚草和礫石等海底物質;中位數，第三四分位數，能量，熵和動量。
SOM和MLP都是使用NeuroSolutions開發的
注意：這只是應用程序摘要的摘要。整個摘要可以通過單擊此處以Word格式下載。
