30033

بررسي پردازش سيگنال ارتباطي با يادگيري عميق با استفاده از تصاوير خام

كارشناسي ارشد

مهندسي مكاترونيك- ارتباطات جنبي انسان ـ ماشين ـ كامپيوتر

1398

1402/3/13

رضا معدوليت - حبيب الله اكبري

پرديس دانشگاهي - دانشكده مهندسي مكانيك

به دلايل بسياري، يادگيري عميق (DL) در ميان ساير تكنيك هاي يادگيري ماشين (ML) توجه زيادي را به خود جلب كرده است و اكنون به عنوان روش طلايي در يادگيري ماشين در نظر گرفته مي شود. بنابراين، بسياري از محققان موضوعات و موضوعاتي را در زمينه‌هاي مختلف از جمله امنيت سايبري، پردازش زبان طبيعي، بيوانفورماتيك، رباتيك و كنترل، و پردازش اطلاعات پزشكي و بسياري موارد ديگر با استفاده از يادگيري عميق بررسي كردند. يكي از مزاياي يادگيري عميق، توانايي يادگيري از مقادير زياد داده است. تصاوير نيز به عنوان داده هاي با حجم بالا در نظر گرفته مي شوند، بنابراين روش هايي كه مي توانند با داده هاي بزرگ كار كنند بايد در طبقه بندي در نظر گرفته شوند. بنابراين طبقه بندي تصاوير با روش هاي يادگيري عميق مناسب ترين روش در اين زمينه به نظر مي رسد. هدف از اين تحقيق پردازش تصاوير خام با شبكه عصبي است. براي دستيابي به اين هدف، دو نوع شبكه عصبي، يعني شبكه‌هاي عصبي كانولوشنال و شبكه‌هاي عصبي بازگشتي، با دو رويكرد مجموعه تصويري تك آيتمي (تك شكل) و تركيبي از اشكال مختلف بر روي مجموعه الكس‌نت استفاده شد. براي پياده سازي شبكه هاي عصبي نيز از نرم افزار پايتون استفاده شد. نتايج به‌دست‌آمده نشان مي‌دهد كه ميزان موفقيت آموزش در شبكه‌هاي عصبي كانولوشن 89 درصد است، اما در شبكه‌هاي عصبي بازگشتي، ميزان موفقيت به 92.5 درصد رسيده است كه نشان‌دهنده قدرت بيشتر روش‌هاي شبكه عصبي بازگشتي در پردازش تصاوير خام است.

1402/08/22

A Survey of Communication Signal Processing with Deep Learning Using Raw Images

1/1/1900 12:00:00 AM

For many reasons, Deep Learning (DL) has gained much attention among the other Machine Learning (ML) techniques and is now considered as the golden method in machine learning. Therefore, many researchers investigated topics and issues in various fields such as cyber security, natural language processing, bioinformatics, robotics and control, and medical information processing and many others using deep learning. One of the advantages of deep learning is the ability to learn from large amounts of data. Images are also considered to be high-volume data, so methods that can work with large data should be considered in the classification. Therefore, image classification with deep learning methods seems to be the most appropriate methods in this field. The purpose of this research is to process raw images with a neural network. To achieve this goal, two types of neural networks, namely, convolutional neural networks and recurrent neural networks, were used on the Alexnet collection with two approaches of a single-item image collection (single shape) and a combination of different shapes. Python software was also used to implement neural networks. The obtained results show that the training success rate in convolutional neural networks is 89%, but in recurrent neural networks, the success rate has reached 92.5%, which shows the greater power of recurrent neural network methods in processing raw images.

پردازش تصوير , يادگيري عميق

image processing , Deep Learning

Heidar Almoosavi

Dr. Madooliat