استخراج بهینه هایپرپارامترهای شبکه عصبی کانولوشن با استفاده از الگوریتم بهینه سازی پنگوئن امپراطور با هدف افزایش دقت تشخیص ارقام دست نویس

تشخیص ارقام دست نویس یکی از مسائل مهم در حوزه بینایی ماشین و پردازش تصویر است که کاربردهای گسترده ای در سیستم های بانکی، پستی و دیجیتالی سازی اسناد دارد. در سال های اخیر شبکه های عصبی کانولوشن (CNN) به دلیل توانایی بالا در استخراج خودکار ویژگی های بصری به یکی از موثرترین روش ها برای بازشناسی ارقام دست نویس تبدیل شده اند. با این حال عملکرد این شبکه ها به شدت وابسته به انتخاب مناسب هایپرپارامترهایی نظیر تعداد فیلترها، اندازه فیلترها، نرخ یادگیری و اندازه دسته آموزشی است و تنظیم دستی این پارامترها اغلب فرایندی زمان بر و غیر بهینه محسوب می شود. در این پژوهش، یک رویکرد ترکیبی مبتنی بر تلفیق شبکه عصبی کانولوشن و الگوریتم بهینه سازی پنگوئن امپراطور (Emperor Penguin Optimizer - EPO) برای استخراج بهینه هایپرپارامترهای مدل ارائه شده است. در این روش هر پنگوئن نمایانگر یک مجموعه از هایپرپارامترهای CNN بوده و الگوریتم با الهام از رفتار تجمع گرمایشی پنگوئن ها به جستجوی فضای پارامترها پرداخته و بهترین پیکربندی را شناسایی می کند. برای ارزیابی عملکرد مدل پیشنهادی از مجموعه داده استاندارد MNIST شامل ۷۰٬۰۰۰ تصویر از ارقام دست نویس استفاده شده است. نتایج آزمایش ها نشان می دهد که استفاده از الگوریتم EPO در فرایند تنظیم هایپرپارامترها می تواند منجر به بهبود دقت تشخیص، افزایش سرعت همگرایی و کاهش وابستگی به تنظیمات دستی شود. یافته های این تحقیق نشان می دهد که رویکرد پیشنهادی می تواند به عنوان یک روش کارآمد در حوزه بهینه سازی مدل های یادگیری عمیق و توسعه سیستم های بازشناسی هوشمند مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشن ، الگوریتم بهینه سازی پنگوئن امپراطور ، تشخیص ارقام دست نویس ، بهینه سازی هایپرپارامترها