|
Title
|
يادگيري عميق براي تحليل داده هاي تابعي
|
|
Type
|
Thesis
|
|
Keywords
|
يادگيري عميق، تحليل داده هاي تابعي، شبكه عصبي ميكرو، پايه هاي انطباقي آموزش ديده، تحليل تابعي مولفه هاي اصلي
|
|
Abstract
|
در اين پژوهش، به طراحي و ارزيابي شبكه هاي عصبي تابعي براي تحليل داده هاي تابعي پرداخته شده است. داده هاي تابعي، شامل مجموعه اي از توابع تعريف شده بر دامنه اي پيوسته، كاربرد گسترده اي در علوم مختلف دارند و تحليل آن ها نيازمند رويكردهاي خاصي است. هدف اصلي اين پايان نامه، توسعه معماري هاي شبكه عصبي عميق است كه بتوانند داده هاي تابعي و تركيبي از داده هاي تابعي و اسكالر را به طور كارآمد پردازش كنند. معماري هاي مختلف شبكه عصبي شامل لايه هاي تابعي به اسكالر، تابعي به تابعي، و اسكالر به تابعي طراحي و تحليل شده اند. اين معماري ها براي انواع داده هاي ورودي و خروجي شامل داده هاي تابعي و اسكالر تطبيق داده شده اند. همچنين، ويژگي هاي خاص هر معماري و نحوه محاسبه پارامترهاي آن ها بررسي شده است. لايه هاي تابعي به اسكالر با استفاده از توابع پايه بسط داده شدند، در حالي كه ساير لايه ها با مدل سازي مستقيم داده هاي تابعي و اسكالر طراحي شدند.
مدل هاي پيشنهادي بر روي مجموعه داده هاي واقعي Teacator، شامل داده هاي طيفي و شيميايي، آزمايش شدند. نتايج نشان دادند كه معماري هاي پيشنهادي، به ويژه در شرايطي كه داده هاي تركيبي تابعي و اسكالر به عنوان ورودي استفاده مي شوند، عملكرد بهتري نسبت به مدل هاي استاندارد مانند LSTM دارند. اين پژوهش با ارائه مجموعه اي از معماري هاي نوين شبكه عصبي تابعي، امكان تحليل و مدل سازي دقيق تر داده هاي تابعي را فراهم آورده و مي تواند در حوزه هاي مختلف از جمله علوم محيطي، پزشكي، و مهندسي به كار گرفته شود.
|
|
Researchers
|
maryam khedmati (Student) , Hossein Haghbin (First primary advisor) , Amin Torabi Jahromi (Advisor)
|