امین ترابی جهرمی

مساله پژوهش معماری یادگیری عمیق مانند شبکه های عصبی کانولوشن اخیرا در دنیای واقعی محبوبیت زیادی را کسب کرده است. دلیل اصلی این محبوبیت این است که می تواند به صورت خودکار ویژگی ها را استخراج کند به طوری که دیگر نیاز به استخراج و انتخاب ویژگی های دستی نیست. در شبکه های فازی عصبی که سیستم های فازی و شبکه عصبی را یکپارچه می کند با این حال در سیستم های فازی شناسایی ساختار شبکه عصبی کاری دشوار است. یکی از مسئله های اصلی چگونگی تعیین تعداد لایه های پنهان به گونه ای است که می توان ساختار بهینه و جمع و جور با کارایی بالایی دست یافت. به همین منظور از DFNN مبتنی بر شبکه های عصبی RBF که از لحاظ عملکردی معادل ( TSK ) هستند به عنوان طبقه کننده استفاده می شود. همانطور که در مقدمه هم گفته شد، به دلیل این که DFNN ها، نورون ها را با توجه به عملکرد آن در سیستم به صورت خودکار اضافه یا حذف می کند و می تواند ساختار و پارامترها را همزمان تنظیم کند از آن به عنوان طیقه بندی کننده استفاده می شود در این پژوهش سعی بر این است که با ترکیب شبکه عصبی کانولوشن و فازی عصبی پویا ساختاری بهینه با عملکردی بالا جهت طبقه بندی تصاویر ایجاد کنیم. اهمیت و ضرورت پژوهش در شبکه های عصبی کانولوشن که از لایه های تمام متصل در جهت طبقه بندی استفاده می شود و با توجه به این که تعداد زیادی نورون در لایه های تمام متصل، شبکه عصبی کانولوشن وجود دارد، و به سبب آن موجب بالا رفتن تعداد پارامترهای شبکه یعنی وزن و بایاس می گردد که حجم محاسباتی بالایی دارد. بدین منظور ما به جای لایه های تمام متصل در شبکه ی عصبی کانولوشن از شبکه فازی عصبی پویا، استفاده خواهیم کرد که نورون ها را با توجه به اهمیت آن ها در عملکرد سیستم به صورت پویا استفاده یا حذف می کند بدین ترتیب ما به ساختار جمع وجور با پارامترهای کم تر و درنتیجه حجم محاسباتی کم تری جهت طبقه بندی تصاویر دست پیدا خواهیم کرد.