بهبود یادگیری در شبکه های عصبی کانولوشنال جهت تشخیص الگو

امروزه، پیشرفت درزمینه? مدارهای الکترونیک، باعث توجه دوباره به شبکه های عصبی مصنوعی با رویکردی جدید در یادگیری ماشین شده است. ارائه مدل هایی بر اساس عملکرد مغز پستانداران برای تشخیص الگوهای صدا و تصویر، دارای اهمیت بسیار بالایی شده است به همین منظور مدل های شبکه عصبی کانولوشنال ، با الهام گرفتن از سیستم بینایی مغز پستانداران ارائه شده اند. این شبکه ها عملکرد بسیار بالایی در تشخیص سریع الگو از خود نشان داده و ازنظر فنی، بسیار پیشرفته اند. به نظر می رسد در آینده این شبکه ها توسعه بیشتری یابند و در زمینه? معنا و تصمیم گیری در هوش مصنوعی جهت ساخت ربات های پیشرفته، استفاده شوند. در این پژوهش، آموزش شبکه عصبی کانولوشنال لِسان-5 با استفاده از فیلترهای تحلیل مولفه های غیر وابسته توپوگرافی و الگوریتم وراثتی مرتب سازی مغلوب نشده ها انجام شده است. با استفاده از الگوریتم های اکتشافی و بهبود روش ها و پارامترهای آن ها در دو مرحله ی پیش آموزش و میزان سازی خوب روی داده های اعداد دست نویس، تلاش برای پیدا کردن وزن های بهینه شبکه مذکور، محقق شده است. نتایج نشان می دهد که آموزش شبکه لِسان-5 با استفاده از الگوریتم وراثتی مرتب سازی مغلوب نشده ها و فیلترهای تحلیل مولفه های غیر وابسته توپوگرافی، منجر به پیدا شدن مجموعه ای از اوزان بهینه با دقت بالا در تشخیص الگو برای ساختار شبکه عصبی لِسان-5 می شود.