بهینه سازی شبکه عصبی کانولوشنی عمیق با استفاده از روش بیزین به‌منظور افزایش نرخ کشف غواص در حال غواصی با سامانه مدارباز

کشف سیگنال‌ مشخصه غواصان در حال غواصی با سامانه مدارباز، از ابعاد متعددی حائز اهمیت است که ازجمله می‌توان به شناسایی غواصان متخاصم در صورت نفوذ به تاسیسات زیرآبی، هشدار ورود غواصان با مناطق آبزی‌پروری، جلوگیری از تصادم آن‌ها با شناورها و رصد کردن لحظه‌ای عملیات آن‌ها اشاره کرد. در این مقاله از یک شبکه عصبی کانولوشنی عمیق بهینه شده با روش بیزین برای تشخیص غواصان بهره‌برداری می‌شود. به منظور تطبیق مساله با شبکه عمیق در نظر گرفته شده، پس از جمع‌آوری داده‌های موردنیاز، از روش جستجوی بهینه‌ساز بیزین برای تنظیم دقیق فراپارامترهای مهم، استفاده می‌شود. پس از دستیابی به مقادیر بهینه فراپارامترهای مهم، از سه مدل الگوی بیزینی، alexnet و darknet19 برای طبقه‌بندی سیگنال‌ها در قالب دو کلاس غواص و غیرغواص استفاده می‌شود؛ همان‌طور که نتایج نشان می‌دهد، روش جستجوی بیزینی، علاوه برافزایش دقت آموزش مدل، به‌طورقابل‌توجهی موجب صرفه‌جویی زمان محاسبه نسبت به مدل‌های معیار می‌گردد. به‌طوری که میانگین مربع خطای 0.00091977 درمجموع زمانی 1772 ثانیه محاسبه می گردد.روش جستجوی بیزینی، علاوه برافزایش دقت آموزش مدل، به طور قابل توجهی موجب صرفه جویی زمان محاسبه گردیده است. پس از دستیابی به مقادیر بهینه فراپارامترهای مهم، از سه مدل الگوی بیزینی، alexnet و darknet19 برای طبقه بندی سیگنال ها در قالب دو کلاس غواص و غیرغواص استفاده گردید؛ که نتایج هر سه مدل با دقت مطلوبی در آموزش و اعتبارسنجی همراه بود.

Optimization of deep convolutional neural network using Bayesian method to increase the detection rate of diving diver with open circuit system

The detection of the diver signature that diving with an open circuit system is important for several reasons, including identifying hostile divers in case of intrusion into underwater infrastructure, warning of divers entering into the aquaculture areas, preventing their collision with vessels, and instantaneous monitoring of their operations. In this paper, a deep convolutional neural network optimized by Bayesian method is used to detect divers. In order to adapt the problem to the intended deep network, after collecting the required data, bayesian optimizer search method is used to finetune important hyperparameters. After achieving the optimal values of important hyperparameters, three models of Bayesian, Alexnet and Darknet19 are used to classify signals in the form of two classes of Diver and NoDiver; as the results show, Bayesian search method, in addition to increasing the accuracy of training model, significantly saves calculation time in accordance to the benchmark models. So that in a total time of 1772 seconds the average square error of 0.00091977 is calculated.