بهینه سازی ابرپارامترهای مدل های ترکیبی یادگیری عمیق با رویکرد تشخیص آپنه خواب با استفاده از الگوریتم های هوش جمعی
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 26
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_ABMIR-2-2_003
تاریخ نمایه سازی: 13 خرداد 1404
چکیده مقاله:
این مقاله به بررسی کارایی طبقه بندهای ترکیبی CNN-DRNN در شناسایی آپنه خواب با استفاده از سیگنال الکتروکاردیوگرام قلب (ECG) پرداخته است. در این مطالعه، مدل های مختلف شبکه های عصبی کانولوشنی ازجمله AlexNet، VGG۱۶، VGG۱۹ و ZFNet در ترکیب با مدل های شبکه عصبی بازگشتی عمیق شامل LSTM، GRU و BiLSTM مورد ارزیابی قرارگرفته است. این مدل ها با و بدون استفاده از بهینه سازهای هوش جمعی گورکن عسل و گرگ خاکستری برای تعیین مقادیر بهینه ابرپارامترها مقایسه شده اند. نتایج نشان می دهد که مدل ترکیبی AlexNet-GRU پس از اعمال هر دو بهینه ساز، بهترین عملکرد را با دقت ۹۵٪، نرخ تشخیص ۶۱/۹۷٪ و F-Score ۳۷/۹۳٪ ارائه کرده است. در این پژوهش، چالش بهینه سازی ابرپارامترها در مدل های یادگیری عمیق با استفاده از دو بهینه ساز گورکن عسل و گرگ خاکستری بررسی شده است. این بهینه سازها با الهام از رفتارهای طبیعت، تعامل غیرمستقیم میان عامل ها و توزیع هوشمند به حل این چالش کمک می کنند. البته، بهینه ساز گورکن عسل در مقایسه با گرگ خاکستری در انتخاب مقادیر بهینه ابرپارامترها عملکرد بهتری از خود نشان داده است.
کلیدواژه ها:
نویسندگان
فرانک فتوحی قزوینی
استادیار دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم ، قم، ایران
مریم بدیعی
دانشجوی کارشناسی ارشد دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم ، قم، 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 :
