تقویت دادگان آموزشی سوناری جهت بهبود طبقه بندی کننده ی شبکه عصبی عمیق مبتنی بر یادگیری انتقالی
محل انتشار: هفتمین کنفرانس رادار و سامانه های مراقبتی ایران
سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 411
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RADARC07_060
تاریخ نمایه سازی: 2 اسفند 1399
چکیده مقاله:
سونار، تکنولوژیِ انتشار سیگنال، زیر و یا روی سطح آب به منظور شناسایی، مکانیابی، طبقه بندی و آشکارسازی اهداف دریایی است. امروزه با پیشرفت صنایع دریائی به ویژه علوم نظامی دریائی، طبقه بندی و شناخت اهداف سوناری اهمیت زیادی یافته است. یکی از چالش های طبقه بندی دادگان سوناری، کمبودِ تعدادِ دادگان واقعیِ در دسترس برای آموزش و ارزیابی عملکرد طبقه بندی کننده ها است. برای حل این مسأله راه حل هایی از قبیل تولید داده های شبیه سازیِ مصنوعی ویا تقویت و ترکیب داده های واقعی و تولید داده های جدید با استفاده از آنها پیشنهاد می شود. در این مقاله، در چارچوب طبقه بندی دادگان سوناری، الگوریتم هایی جهت تقویت و افزایش دادگان صوتی معرفی شده و تاثیر این الگوریتم ها بر عملکرد شبکه عصبی مصنوعی بررسی می شود. یادگیری انتقالی در شبکه های عصبی از دیگر راهکارهایی است که از آن برای مواجهه با مشکل کمبود دادگان استفاده می شود. در این پژوهش از ترکیب دو شیوه ی یادگیری انتقالی و تقویت داده های آموزشی در ساختار شبکه های عصبی کانولوشنی استفاده شده است. نتایج حاصله، موید تاثیر خوب روش های پیشنهادی به کار گرفته شده در فرآیند طبقه بندی دادگان سوناری است.
کلیدواژه ها:
نویسندگان
سحر زارع کاریزی
دانشگاه یزد، دانشکده مهندسی برق،
محمدتقی صادقی
دانشگاه یزد دانشکده مهندسی برق