| بهبود تشخیص ناهنجاری در دادههای رادار نفوذی زمین (GPR) با استفاده از شبکههای عصبی و بهینهسازی هایپرتیونینگ OPTUNA |
| کد مقاله : 1216-NAEC |
| نویسندگان |
|
محمد گودرزی *1، جواد رحیمی2 1دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه جامع امام حسین علیه السلام 2دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیکز دانشگاه جامع امام حسین(ع)، پژوهشکده هوش مصنوعی و علوم شناختی |
| چکیده مقاله |
| در این مقاله، یک روش بهینهسازی مبتنی بر الگوریتم های یادگیری ماشین برای تشخیص ناهنجاری در دادههای رادار نفوذی زمین (GPR) ارائه شده است. هدف از این مطالعه، بهبود دقت مدل شبکه های عصبی از طریق تنظیم هایپرتیونینگ با استفاده از الگوریتم Optuna است. به این صورت که تنظیم پارامتر ها و مقادیر در شبکه های عصبی از طریق یادگیری خودکار صورت میگیرد.در این روش، مدل شبکه عصبی با ترکیب لایههای Dense،Batch Normalization و Dropout طراحی شده و مقادیر بهینه برای پارامترهایی مانند تعداد نرونها، نرخ یادگیری و نرخ دراپآوت با Optuna تنظیم شده است. دادهها پس از پیشپردازش شامل نرمالسازی و تبدیل ویژگیها، به مدل ارائه شدهاند. نتایج آزمایشها نشان میدهد که روش پیشنهادی با بهینهسازی مناسب، دقت بالاتری در تشخیص ناهنجاریها نسبت به مدلهای بدون تنظیم دستی هایپرتیونینگ دارد. این بهبود میتواند در کاربردهای ژئوفیزیکی، زمین شناسی،تونل سازی ،مهندسی عمران و اکتشافات زیرسطحی نقش مؤثری ایفا کند . |
| کلیدواژه ها |
| رادار نفوذی زمین، تشخیص ناهنجاری، یادگیری ماشین، تنظیم هایپرتیونینگ، Optuna، شبکه عصبی |
| وضعیت: پذیرفته شده |
