|
แบบจำลองการจำแนกอากาศยานขับไล่โจมตีบนพื้นฐานข้อมูลของเป้าหมายไม่ทราบฝ่ายโดยใช้โครงข่ายประสาทเทียม |
|---|---|
| รหัสดีโอไอ | |
| Creator | ปธิกร อันชื่น |
| Title | แบบจำลองการจำแนกอากาศยานขับไล่โจมตีบนพื้นฐานข้อมูลของเป้าหมายไม่ทราบฝ่ายโดยใช้โครงข่ายประสาทเทียม |
| Contributor | นันทิพัฒน์ พิศุทธางกูร |
| Publisher | สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี |
| Publication Year | 2565 |
| Journal Title | Journal of Applied Research on Science and Technology (JARST) |
| Journal Vol. | 21 |
| Journal No. | 2 |
| Page no. | 89-103 |
| Keyword | อากาศยานขับไล่โจมตี, ระบบเรดาห์, เหมืองข้อมูล, โครงข่ายประสาทเทียม, ระบบอาวุธที่ชาญฉลาด |
| URL Website | https://www.tci-thaijo.org/ |
| Website title | https://ph01.tci-thaijo.org/index.php/rmutt-journal/index |
| ISSN | 2773-9376 |
| Abstract | การระบุอากาศยานจากข้อมูลเป้าหมายไม่ทราบฝ่ายด้วยการใช้เรดาห์เป็นภารกิจที่สำคัญต่อความมั่นคงของประเทศเพื่อตัดสินใจเชิงกลยุทธ์ทางทหาร เนื่องจากอากาศยานขับไล่โจมตี (Fighter Aircraft) ถูกออกแบบเพื่อภารกิจในมิติการต่อสู้ทางอากาศเป็นหลัก สามารถสร้างความเสียหายที่รุนแรงและเป็นปัจจัยที่สำคัญต่อความได้เปรียบทางยุทธวิธี การวิเคราะห์ข้อมูลเป้าหมายไม่ทราบฝ่ายผ่านระบบเรดาห์ (Radar System) จำเป็นต้องใช้ผู้เชี่ยวชาญที่มีประสบการณ์สูงและข้อมูลข่าวกรองทางทหารเพื่อระบุประเภทของอากาศยานขับไล่โจมตี อย่างไรก็ตามการฝึกอบรมผู้เชี่ยวชาญให้สามารถวิเคราะห์ข้อมูลได้อย่างแม่นยำ ทำให้เสียเวลาและค่าใช้จ่ายสูง ดังนั้นการจำแนกอากาศยานขับไล่โจมตีจำเป็นต้องอาศัยวิธีการที่ทันสมัยเพื่อสอดคล้องกับระบบอาวุธฉลาด (Smart Weapon Systems) สำหรับใช้ในการเรียนรู้ข้อมูลที่มีความซับซ้อนเพื่อช่วยสนับสนุนการตัดสินใจให้กับผู้เชี่ยวชาญ อีกทั้งสามารถแก้ปัญหาการขาดแคลนทรัพยากรมนุษย์ งานวิจัยนี้สร้างแบบจำลองการจำแนกอากาศยานขับไล่โจมตีบนพื้นฐานข้อมูลเป้าหมายไม่ทราบฝ่ายโดยใช้วิธีโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าที่มีการแพร่กระจายย้อนกลับเพื่อเรียนรู้ข้อมูลที่มีความซับซ้อนได้อย่างมีประสิทธิภาพ อีกทั้งยังช่วยแก้ปัญหาการขาดแคลนบุคลากรผู้เชี่ยวชาญ แบบจำลองที่ถูกสร้างให้ประสิทธิภาพและมีความยืดหยุ่นเมื่อทดสอบกับข้อมูลที่ใช้ในการเรียนรู้และข้อมูลที่ใช้ในการทดสอบมีความแม่นยำถึง 95.38% และ 86.30% ตามลำดับ |
