{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK680",
        "title": "تشخیص نوع هواپیما با استفاده از صدای انتشاری موتور آن مبتنی بر شبکه عصبی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1397",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK680",
        "title": "تشخیص نوع هواپیما با استفاده از صدای انتشاری موتور آن مبتنی بر شبکه عصبی",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1397,
        "authors": [
            {
                "name": "حنانه هادیان امرئی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین مروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "تشخیص نوع هواپیما",
            "تبدیل موجک",
            "ضرایب کپستروم فرکانس مل",
            "ضرایب پیشگوی خطی",
            "ضرایب کپستروم حقیقی",
            "و فرکانس طیفی خط",
            "شبکه عصبی مصنوعی."
        ],
        "abstract": "اطلاعات مربوط به حرکت هواپیما معمولا‌ با رادار یا سنسورهای الکترونیکی جمع آوری می شوند، اما ممکن است این اطلاعات بعلت عدم وجود میدان دید غیرسودمند باشند. تشخیص و شناسایی هدف توسط سیگنال های صوتی در بعضی موارد به علت موقعیت جغرافیایی، مقرون به صرفه بودن، استفاده در مسافت های نزدیک، مقاومت در برابر نویز حائز اهمیت می باشد. به همین خاطر روشی برای شناسایی هدف که کمتر توسط شرایط مسیر دید مختل می شود، مورد استفاده قرار می گیرد. این روش استفاده از صدای موتور هواپیما می باشد که در این پایان نامه مورد تحلیل قرار گرفته است. سیگنال های صوتی دریافتی از میکروفون به عنوان ورودی این الگوریتم در نظر گرفته می شود و به منظور استخراج ویژگی از انرژی تبدیل موجک، ضرایب کپستروم فرکانس مل(MFCC)، ضرایب کپستروم حقیقی، ضرایب پیشگوی خطی (LPC) و فرکانس طیفی خط(LSF) استفاده شده است. سپس طبقه بندی سیگنال های صوتی هواپیما برای چهار کلاس مختلف از داده های صوتی توسط طبقه بند شبکه عصبی مصنوعی انجام می گیرد. پس از آن برای ارزیابی عملکرد سیستم تشخیص، نویز با نسبت سیگنال به نویز های مختلف به سیگنال اضافه شده  و نتایج حاصل از آن را با یکدیگر مقایسه شده است. در نهایت روشی برای بهبود عملکرد سیستم معرفی شده که از تبدیل موجک برای حذف نویز و از ترکیب  LSF و ضرایب کپستروم حقیقی به عنوان روش استخراج ویژگی استفاده می کند و نرخ طبقه-بندی داده را به 93/11 % و میزان خطا را به 0/0451 می-رساند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK680.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}