عنوان

بهینه‌سازی فرآیند یادگیری در شبکه‌عصبی کانولوشنی با استفاده از یک الگوریتم جدید

شماره

پ۲۷۰۸۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

بهینه‌سازی فرآیند یادگیری در شبکه‌عصبی کانولوشنی با استفاده از یک الگوریتم جدید

نام نخستين پديدآور

آنا شیلا عیسی‌زاده

نام ناشر، پخش کننده و غيره

علوم ریاضی

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۱۰۹ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم کامپیوتر گرایش محاسبات نرم و هوش مصنوعی

زمان اعطا مدرک

۱۴۰۱/۰۵/۳۰

متن يادداشت

روش‌های بهینه‌سازی گوناگونی برای بهینه کردن شبکه‌های عصبی توسط محققین علوم کامپیوتر و هوش مصنوعی طراحی و ارائه شده‌اند. اما اینکه کدام الگوریتم میواند دقت بهتری داشته و باعث همگرایی سریع شبکه بشود، سوالی است که بایستی در این پایان‌نامه پاسخ داده شود. در واقع هدف اصلی این ‌پایان‌نامه بهینه‌سازی فرآیند یادگیری در شبکه عصبی کانولوشن با استفاده از یک الگوریتم جدید است. برای اینکار از الگوریتم گورکن عسل‌خوار (HBA) استفاده شده است که انگیزه طراحی این الگوریتم قابلیت بهینه‌سازی روش‌های مبتنی بر جمعیت و افزایش سرعت همگرایی و دقت بهینه‌سازی در مقایسه با سایر روش‌ها بیان شده است. از آنجا که توانایی حفظ تعادل بین اکتشاف و بهره برداری نقش مهمی در جستجوی موثر دارد، HBA استراتژی‌های جستجوی پویا را در بر می‌گیرد. این ویژگی HBA را قادر می‌سازد تا مسائل بهینه‌سازی سخت را با بسیاری از مینیمم‌های محلی حل کند، زیرا جمعیت‌های مختلف فراوانی را در طول فرآیند جستجو برای منطقه بزرگ بررسی و حفظ می‌کند. در این پایان نامه ابتدا شبکه عصبی برای مجموعه داده‌ای با تعداد تصویر کم آموزش داده شده و نتایج آن با شبکه های عصبی Alexnet، Googlenet و همچنین سایر الگوریتم‌های فراابتکاری معروف مقایسه شده است. در نهایت آموزش برای کل تصاویر مجموعه داده‌های cifar-10 انجام شده است که در مقایسه نتایج حاصل از این پایان‌نامه با نتایج حاصل از الگوریتم‌های فراابتکاری ژنتیک، PSO، کرم شب‌تاب و الگوریتم فرهنگی، دقت به دست آمده برای الگوریتم HBA، ژنتیک، PSO، کرم شب‌تاب و فرهنگی به ترتیب برابر است با، 7/95، 1/96، 3/90، 2/88 و 8/89 درصد می‌باشد.

متن يادداشت

AbstractDeep learning algorithm is one of the machine learning algorithms that aims to discover different levels of desired input features. Numerous deep learning algorithms have been proposed to solve the old problems of artificial intelligence.This algorithm has been successful in many areas of artificial intelligence such as machine vision, speech recognition, body recognition, etc. Deep learning teaches computers to do what is naturally done by humans. Various optimization methods for optimizing neural networks have been designed and proposed by researchers in computer science and artificial intelligence. But which algorithm can be more accurate and cause faster network convergence is a question that must be answered in this dissertation.The main purpose of this dissertation is to optimize the learning process in the convolutional neural network using a new algorithm. To do this, the Honey Badger Algorithm (HBA) has been used. The motivation for designing this algorithm is the ability to optimize population-based methods and increase the speed of convergence and optimization accuracy compared to other methods. Because the ability to balance exploration and exploitation plays an important role in effective search. HBA incorporates dynamic search strategies; this feature enables the HBA to solve hard optimization problems with many local minimums, as it scans and maintains large populations throughout the large area search process. In this dissertation, first the neural network is applied for a small number of trained image datasets, the two results of which are compared with the Alexnet, Googlenet neural networks, as well as other well-known metaheuristic algorithms. Then, network training was performed for a part of cifar-10 data and the response of different algorithms was evaluated. Finally, training was performed for all images of cifar-10 data set, which compared the results of this dissertation with Results of genetic meta-heuristic algorithms, PSO, locust and cultural algorithm, the accuracy obtained for HBA, genetic, PSO, locust and cultural algorithms are equal to: 95.7, 1/96, 90/3, 2 / 88 and 89.8 percent.KeyWords: Meta-heuristic algorithm, artificial neural network, convolutional neural network, honey-eating burrower, genetic algorithm, PSO, locust algorithm, cultural algorithm, cifar-10 Dataset

عنوان گونه گون

Optimization of Learning Process in Convolutional Neural Network Using a New Algorithm

عنصر شناسه اي

‏عیسی‌زاده،

ساير عناصر نام

آنا شیلا

کد نقش

تهيه کننده

عنصر شناسه اي

‏ایزد‌خواه،

عنصر شناسه اي

‏عیسی‌زاده،

ساير عناصر نام

حبیب

ساير عناصر نام

آیاز

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

‏تبریز