طبقه بندی ریز هدف های آکوستیکی با استفاده از شبکه های کانولوشنی عمیق با طول متغیر توسط الگوریتم بهینه ساز شامپانزه مبتنی پروتکل اینترنتی
محل انتشار: فصلنامه دریا فنون، دوره: 9، شماره: 4
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 239
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJMT-9-4_001
تاریخ نمایه سازی: 21 دی 1401
چکیده مقاله:
با توجه به پیچیدگیهای پیش روی طبقه بندی ریز هدف های آکوستیکی، استفاده از روشهای معین و متعارف با چالشهای جدی روبرو شده است. از سوی دیگر شبکه های عصبی کانولوشنی عمیق (DCNN) در میان مطمئنترین روش های یادگیری عمیق برای حل مسائل طبقه بندی تصویر قرار می گیرند؛ بااین حال، طراحی معماری DCNN بهینه برای یک مسئله با ابعاد بالا، مانند طبقه بندی ریز هدف های زیرآب می تواند بسیار چالش برانگیز باشد. برای حل این مشکل، این مقاله با استفاده از الگوریتم بهینه سازی شامپانزه (ChOA) به یافتن بهترین معماری برای DCNNها میپردازد. در این راستا، سه نوآوری بر اساس ChOA استاندارد و به منظور دستیابی به یک طبقهبند صوتی با حداقل پیچیدگی و دقت بالا، پیشنهاد میشود. ابتدا، یک روش کدگذاری منحصربه فرد مبتنی بر آدرس پروتکل اینترنت (IP) توسعه داده میشود که کدگذاری لایه های DCNN را برای بردارهای شامپانزه راحتتر می کند. سپس، برای دستیابی به DCNNهای با طول متغیر، یک لایه تضعیف شده توصیه می شود که برخی از ابعاد بردار شامپانزه را پوشش میدهد. به عنوان نوآوری سوم، فرآیند یادگیری مجموعه دادههای بزرگ به بخشهای کوچکتر تقسیم میشود، که سپس به صورت تصادفی ارزیابی می گردند. در ادامه، پس از جمع آوری داده های موردنیاز و انجام آزمایش، حداقل خطا برای معماری بهینه برابر با عدد ۰۰۰۸۲۷/۰ است که درمجموع زمانی ۱۰۱۲ ثانیه به دست آمده است. نتایج بدست آمده تایید میکند که روش پیشنهادی، علاوه برافزایش دقت آموزش مدل، به طور قابل توجهی موجب صرفه جویی زمان محاسبه گردیده است.
کلیدواژه ها:
نویسندگان
مریم کمالی پور
گروه مهندسی برق واحد شیراز، دانشگاه آزاد اسلامی، ایران
حامد آگاهی
گروه مهندسی برق واحد شیراز، دانشگاه آزاد اسلامی، ایران
محمد خویشه
استادیار گروه الکترونیک، دانشگاه علوم دریایی امام خمینی (ره) نوشهر،ایران
آذر محمودزاده
گروه مهندسی برق، واحد شیراز ، دانشگاه آزاد اسلامی، شیراز، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :