حسین حق بین

در این پژوهش، به طراحی و ارزیابی شبکه های عصبی تابعی برای تحلیل داده های تابعی پرداخته شده است. داده های تابعی، شامل مجموعه ای از توابع تعریف شده بر دامنه ای پیوسته، کاربرد گسترده ای در علوم مختلف دارند و تحلیل آن ها نیازمند رویکردهای خاصی است. هدف اصلی این پایان نامه، توسعه معماری های شبکه عصبی عمیق است که بتوانند داده های تابعی و ترکیبی از داده های تابعی و اسکالر را به طور کارآمد پردازش کنند. معماری های مختلف شبکه عصبی شامل لایه های تابعی به اسکالر، تابعی به تابعی، و اسکالر به تابعی طراحی و تحلیل شده اند. این معماری ها برای انواع داده های ورودی و خروجی شامل داده های تابعی و اسکالر تطبیق داده شده اند. همچنین، ویژگی های خاص هر معماری و نحوه محاسبه پارامترهای آن ها بررسی شده است. لایه های تابعی به اسکالر با استفاده از توابع پایه بسط داده شدند، در حالی که سایر لایه ها با مدل سازی مستقیم داده های تابعی و اسکالر طراحی شدند. مدل های پیشنهادی بر روی مجموعه داده های واقعی Teacator، شامل داده های طیفی و شیمیایی، آزمایش شدند. نتایج نشان دادند که معماری های پیشنهادی، به ویژه در شرایطی که داده های ترکیبی تابعی و اسکالر به عنوان ورودی استفاده می شوند، عملکرد بهتری نسبت به مدل های استاندارد مانند LSTM دارند. این پژوهش با ارائه مجموعه ای از معماری های نوین شبکه عصبی تابعی، امکان تحلیل و مدل سازی دقیق تر داده های تابعی را فراهم آورده و می تواند در حوزه های مختلف از جمله علوم محیطی، پزشکی، و مهندسی به کار گرفته شود.