|
Title
|
توسعه ساختار شبكه هاي عصبي كانولوشني فازي پويا و كاربرد آن در طبقه بندي تصاوير ابرطيفي
|
|
Type
|
Thesis
|
|
Keywords
|
شبكه عصبي كانولوشن، شبكه فازي عصبي پويا، استخراج ويژگي، شناسايي الگو، طبقه بندي، تصاوير ابرطيفي
Convolution neural network, Dynamic fuzzy neural network, Feature extraction, Pattern recognition, Classification, Hyperspectral image
|
|
Abstract
|
مساله پژوهش
معماري يادگيري عميق مانند شبكه هاي عصبي كانولوشن اخيرا در دنياي واقعي محبوبيت زيادي را كسب كرده است. دليل اصلي اين محبوبيت اين است كه مي تواند به صورت خودكار ويژگي ها را استخراج كند به طوري كه ديگر نياز به استخراج و انتخاب ويژگي هاي دستي نيست. در شبكه هاي فازي عصبي كه سيستم هاي فازي و شبكه عصبي را يكپارچه مي كند با اين حال در سيستم هاي فازي شناسايي ساختار شبكه عصبي كاري دشوار است. يكي از مسئله هاي اصلي چگونگي تعيين تعداد لايه هاي پنهان به گونه اي است كه مي توان ساختار بهينه و جمع و جور با كارايي بالايي دست يافت. به همين منظور از DFNN مبتني بر شبكه هاي عصبي RBF كه از لحاظ عملكردي معادل ( TSK ) هستند به عنوان طبقه كننده استفاده مي شود.
همانطور كه در مقدمه هم گفته شد، به دليل اين كه DFNN ها، نورون ها را با توجه به عملكرد آن در سيستم به صورت خودكار اضافه يا حذف مي كند و مي تواند ساختار و پارامترها را همزمان تنظيم كند از آن به عنوان طيقه بندي كننده استفاده مي شود در اين پژوهش سعي بر اين است كه با تركيب شبكه عصبي كانولوشن و فازي عصبي پويا ساختاري بهينه با عملكردي بالا جهت طبقه بندي تصاوير ايجاد كنيم.
اهميت و ضرورت پژوهش در شبكه هاي عصبي كانولوشن كه از لايه هاي تمام متصل در جهت طبقه بندي استفاده مي شود و با توجه به اين كه تعداد زيادي نورون در لايه هاي تمام متصل، شبكه عصبي كانولوشن وجود دارد، و به سبب آن موجب بالا رفتن تعداد پارامترهاي شبكه يعني وزن و باياس مي گردد كه حجم محاسباتي بالايي دارد. بدين منظور ما به جاي لايه هاي تمام متصل در شبكه ي عصبي كانولوشن از شبكه فازي عصبي پويا، استفاده خواهيم كرد كه نورون ها را با توجه به اهميت آن ها در عملكرد سيستم به صورت پويا استفاده يا حذف مي كند بدين ترتيب ما به ساختار جمع وجور با پارامترهاي كم تر و درنتيجه حجم محاسباتي كم تري جهت طبقه بندي تصاوير دست پيدا خواهيم كرد.
|
|
Researchers
|
fereshteh sharifi (Student) , Ahmad Keshavarz (Primary advisor) , Amin Torabi Jahromi (Primary advisor) , Valiollah Ghaffari (Advisor)
|