تعمیم پذیری یادگیری عمیق نسبت به نویز در وارون سازی یک بعدی داده های مگنتوتلوریک

از چالش های یادگیری عمیق در وارون سازی داده های مگنتوتلوریک، تعمیم پذیری آن به داده های نویزی است. مرحله تولید دادهآموزشی نقش بسزایی در پایداری و تعمیم پذیری شبکه یادگیری عمیق ایفا می کند. در مدل های پیچیده هرچه تعداد داده هایآموزشی بیشتر باشد شبکه پایدارتر است ولی تعمیم پذیری آن به داده های نویزی مشخص نیست. در این تحقیق با تولید پنچ میلیونداده آموزشی در دامنه فرکانسی [(۴-)۱۰ ۴/۲۹۶۹x۱۰(۴)×-۸/۳۹۲۳x] در دو مجموعه داده (اولی بدون نویز و دومی با اضافه کردن دو درصد نویز گوسین به ۱۰ % از داده ها) و آموزش با شرایط یکسان در معماری U-Net ، تعمیم پذیری شبکه یادگیری عمیق به داده هایآزمون نویزی و بدون نویز بررسی شد. پیش بینی کمی و کیفی نتایج نشان می دهد که شبکه ای که با داده های نویزی آموزش دیده ازهمگرایی بهتری برخوردار است و نسبت به داده های آزمون بدون نویز و نویزی بسیار پایدارتر و تعمیم پذیر است و میتوان به ایننتیجه رسید که برای یادگیری عمیق مدلهای پیچیده بایستی برای همگرایی بهتر و تعمیم پذیری، به قسمتی از داده ها نویز اعمالکرد و آموزش را با داده های نویزی انجام داد.

کلیدواژه ها:

تعمیم پذیری ، مگنتوتلوریک ، یادگیری عمیق ، وارون سازی