به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

chimp optimization algorithm

در نشریات گروه مهندسی دریا
تکرار جستجوی کلیدواژه chimp optimization algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه chimp optimization algorithm در مقالات مجلات علمی
  • مریم کمالی پور، حامد آگاهی*، محمد خویشه، آذر محمودزاده
    با توجه به پیچیدگیهای پیش روی طبقه بندی ریز هدف های آکوستیکی، استفاده از روش های معین و متعارف با چالشهای جدی روبرو شده است. از سوی دیگر شبکه های عصبی کانولوشنی عمیق (DCNN) در میان مطمینترین روش های یادگیری عمیق برای حل مسایل طبقه بندی تصویر قرار می گیرند؛ بااین حال، طراحی معماری DCNN بهینه برای یک مسیله با ابعاد بالا، مانند طبقه بندی ریز هدف های زیرآب می تواند بسیار چالش برانگیز باشد. برای حل این مشکل، این مقاله با استفاده از الگوریتم بهینه سازی شامپانزه (ChOA) به یافتن بهترین معماری برای DCNNها میپردازد. در این راستا، سه نوآوری بر اساس ChOA استاندارد و به منظور دستیابی به یک طبقهبند صوتی با حداقل پیچیدگی و دقت بالا، پیشنهاد میشود. ابتدا، یک روش کدگذاری منحصربه فرد مبتنی بر آدرس پروتکل اینترنت (IP) توسعه داده میشود که کدگذاری لایه های DCNN را برای بردارهای شامپانزه راحتتر می کند. سپس، برای دستیابی به DCNNهای با طول متغیر، یک لایه تضعیف شده توصیه می شود که برخی از ابعاد بردار شامپانزه را پوشش میدهد. به عنوان نوآوری سوم، فرآیند یادگیری مجموعه داده های بزرگ به بخشهای کوچکتر تقسیم میشود، که سپس به صورت تصادفی ارزیابی می گردند. در ادامه، پس از جمع آوری داده های موردنیاز و انجام آزمایش، حداقل خطا برای معماری بهینه برابر با عدد 000827/0 است که درمجموع زمانی 1012 ثانیه به دست آمده است. نتایج بدست آمده تایید میکند که روش پیشنهادی، علاوه برافزایش دقت آموزش مدل، به طور قابل توجهی موجب صرفه جویی زمان محاسبه گردیده است.
    کلید واژگان: الگوریتم بهینه سازی شامپانزه، طبقه بندی تصویر، شبکه های عصبی کانولوشنی عمیق، ChOA
    Maryam Kamalipour, Hamed Agahi *, Mohammad Khishe, Azar Mahmoodzadeh
    Due to the complexities of classifying acoustic targets, the use of conventional and conventional methods has been seriously challenged. Deep-convolutional neural networks (DCNNs), on the other hand, are among the safest methods for solving image problems. However, designing a DCNN architecture for a subject by raising the dimensions of underwater targets can be very challenging. To solve this problem, this paper uses the Chimpanzee Optimization Algorithm (ChOA) to find the best architecture for DCNNs. In this regard, three innovations based on the standard ChOA are proposed in order to achieve an audio classifier with minimal complexity and high accuracy. First, a unique Internet Protocol (IP) address-based encoding method is developed that makes it easier to encode DCNN layers for chimpanzee vectors. Then, an attenuation layer is recommended to achieve DCNNs of different lengths, some of which cover the chimpanzee vector. As a third innovation, the learning process of the big data set is divided into smaller parts, which are then randomly evaluated. Then, after collecting the required data and performing a comprehensive simulation for architecture, the evaluation error is 0.000827, which is obtained in a total time of 1012. The results show that the proposed method, in addition to increasing the accuracy of model training, significantly saves computational time.
    Keywords: Chimp optimization algorithm, Image Classification, deep convolutional neural networks, ChOA
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال