طبقه بندی ریز هدف های آکوستیکی با استفاده از شبکه های کانولوشنی عمیق با طول متغیر توسط الگوریتم بهینه ساز شامپانزه مبتنی پروتکل اینترنتی

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.