استخراج بهینه هایپرپارامترهای شبکه عصبی کانولوشن با استفاده از الگوریتم بهینه سازی پنگوئن امپراطور با هدف افزایش دقت تشخیص ارقام دست نویس

استخراج بهینه هایپرپارامترهای شبکه عصبی کانولوشن با استفاده از الگوریتم بهینه سازی پنگوئن امپراطور با هدف افزایش دقت تشخیص ارقام دست نویس

علی فیض1 علیرضا چمکوری2 نوشین ربیعی3

1) دانشجوی کارشناسی ارشد کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی لیان، بوشهر، ایران
2) گروه مهندسی کامپیوتر، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
3) دکتری برق مخابرات، گروه مهندسی برق، دانشکده فنی و مهندسی، موسسه آموزش عالی لیان، بوشهر، ایران

کد IOI مقاله : AAHD-ACZFDB
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    تشخیص ارقام دست‌نویس یکی از مسائل مهم در حوزه بینایی ماشین و پردازش تصویر است که کاربردهای گسترده‌ای در سیستم‌های بانکی، پستی و دیجیتالی‌سازی اسناد دارد. در سال‌های اخیر، شبکه‌های عصبی کانولوشن (CNN) به دلیل توانایی بالا در استخراج خودکار ویژگی‌های بصری، به یکی از مؤثرترین روش‌ها برای بازشناسی ارقام دست‌نویس تبدیل شده‌اند. با این حال، عملکرد این شبکه‌ها به شدت وابسته به انتخاب مناسب هایپرپارامترهایی نظیر تعداد فیلترها، اندازه فیلترها، نرخ یادگیری و اندازه دسته آموزشی است و تنظیم دستی این پارامترها اغلب فرآیندی زمان‌بر و غیربهینه محسوب می‌شود. در این پژوهش، یک رویکرد ترکیبی مبتنی بر تلفیق شبکه عصبی کانولوشن و الگوریتم بهینه‌سازی پنگوئن امپراطور (Emperor Penguin Optimizer – EPO) برای استخراج بهینه هایپرپارامترهای مدل ارائه شده است. در این روش، هر پنگوئن نمایانگر یک مجموعه از هایپرپارامترهای CNN بوده و الگوریتم با الهام از رفتار تجمع گرمایشی پنگوئن‌ها، به جستجوی فضای پارامترها پرداخته و بهترین پیکربندی را شناسایی می‌کند. برای ارزیابی عملکرد مدل پیشنهادی از مجموعه داده استاندارد MNIST شامل ۷۰,۰۰۰ تصویر از ارقام دست‌نویس استفاده شده است. نتایج آزمایش‌ها نشان می‌دهد که استفاده از الگوریتم EPO در فرآیند تنظیم هایپرپارامترها می‌تواند منجر به بهبود دقت تشخیص، افزایش سرعت همگرایی و کاهش وابستگی به تنظیمات دستی شود. یافته‌های این تحقیق نشان می‌دهد که رویکرد پیشنهادی می‌تواند به عنوان یک روش کارآمد در حوزه بهینه‌سازی مدل‌های یادگیری عمیق و توسعه سیستم‌های بازشناسی هوشمند مورد استفاده قرار گیرد.

کلمات کلیدی : یادگیری عمیق شبکه عصبی کانولوشن الگوریتم بهینه‌سازی پنگوئن امپراطور تشخیص ارقام دست‌نویس بهینه‌سازی هایپرپارامترها