طبقه‌بندی ریز هدف‌های آکوستیکی با استفاده از شبکه‌های کانولوشنی عمیق با طول متغیر توسط الگوریتم بهینه‌ساز شامپانزه مبتنی پروتکل اینترنتی

با توجه به پیچیدگی های پیش روی طبقه‌بندی ریز هدف‌های آکوستیکی، استفاده از روشهای معین و متعارف با چالشهای جدی روبرو شده است. از سوی دیگر شبکه‌های عصبی کانولوشنی عمیق (dcnn) در میان مطمئنترین روش‌های یادگیری عمیق برای حل مسائل طبقه‌بندی تصویر قرار می‌گیرند؛ بااین‌حال، طراحی معماری dcnn بهینه برای یک مسئله با ابعاد بالا، مانند طبقه‌بندی ریز هدف‌های زیرآب می‌تواند بسیار چالش‌برانگیز باشد. برای حل این مشکل، این مقاله با استفاده از الگوریتم بهینه‌سازی شامپانزه (choa) به یافتن بهترین معماری برای dcnnها میپردازد. در این راستا، سه نوآوری بر اساس choa استاندارد و به‌منظور دستیابی به یک طبقهبند صوتی با حداقل پیچیدگی و دقت بالا، پیشنهاد میشود. ابتدا، یک روش کدگذاری منحصربه‌فرد مبتنی بر آدرس پروتکل اینترنت (ip) توسعه داده میشود که کدگذاری لایه‌های dcnn را برای بردارهای شامپانزه راحتتر می‌کند. سپس، برای دستیابی به dcnnهای با طول متغیر، یک‌لایه تضعیف شده توصیه می‌شود که برخی از ابعاد بردار شامپانزه را پوشش میدهد. به عنوان نوآوری سوم، فرآیند یادگیری مجموعه دادههای بزرگ به بخشهای کوچکتر تقسیم میشود، که سپس به صورت تصادفی ارزیابی می گردند. در ادامه، پس از جمع‌آوری داده‌های موردنیاز و انجام آزمایش، حداقل خطا برای معماری بهینه برابر با عدد 0/000827 است که درمجموع زمانی 1012 ثانیه به‌دست‌آمده است. نتایج بدست آمده تایید میکند که روش پیشنهادی، علاوه برافزایش دقت آموزش مدل، به‌طور قابل‌توجهی موجب صرفه‌جویی زمان محاسبه گردیده است.

variable-length deep convolutional neural networks by internet protocol chimp optimization algorithm for underwater micro-target classification

due to the complexities of classifying acoustic targets, the use of conventional and conventional methods has been seriously challenged. deep-convolutional neural networks (dcnns), on the other hand, are among the safest methods for solving image problems. however, designing a dcnn architecture for a subject by raising the dimensions of underwater targets can be very challenging. to solve this problem, this paper uses the chimpanzee optimization algorithm (choa) to find the best architecture for dcnns. in this regard, three innovations based on the standard choa are proposed in order to achieve an audio classifier with minimal complexity and high accuracy. first, a unique internet protocol (ip) address-based encoding method is developed that makes it easier to encode dcnn layers for chimpanzee vectors. then, an attenuation layer is recommended to achieve dcnns of different lengths, some of which cover the chimpanzee vector. as a third innovation, the learning process of the big data set is divided into smaller parts, which are then randomly evaluated. then, after collecting the required data and performing a comprehensive simulation for architecture, the evaluation error is 0.000827, which is obtained in a total time of 1012. the results show that the proposed method, in addition to increasing the accuracy of model training, significantly saves computational time.