19586

۱۹۵۸۶

بهبود شبكه هاي عصبي همگشتي با در نظر گرفتن عدم قطعيت داده ها

كارشناسي ارشد

هوش مصنوعي و رباتيك

۱۳۹۵

مهر ١٣٩٧

دكتر احمد اكبري ازيراني

دكتر بابك ناصرشريف

كامپيوتر

چͺيده امروزه شبͺه هاي عصبي همͽشتr به عنوان گروهr از شبͺه هاي عصبي عميق كاربرد فراوانr در بازشناسr گفتار و پردازش تصوير يافته اند. در بازشناسr گفتار از اين شبͺه ها براي مدل سازي صوتr و همچنين استخراج ويژگr از طيف سيͽنال گفتار و در پردازش تصوير براي كلاسبندي و بخش بندي تصاوير استفاده شده است. يͺ ͬاز مشͺلات شبͺه هاي عصبي همͽشتr مقاوم نبودن در برابر نويز مr باشد. يͺ ͬاز روش هاي كنترل نوير استفاده از عدم قطعيت داده ها است. در واقع يͷ داده نويزي مقدار عدم قطعيت بالاتري دارد. در اين پژوهش يͷ روش جديد براي بهبود شبͺه هاي عصبي همͽشتr با كمͷ تئوري نتروسافيͷ ارائه شده است در حالr كه تئوري نتروسافيͷ يͷ روش براي محاسبه عدم قطعيت داده ها مr باشد. نوآوري اين پژوهش شامل دو مورد زير است. مورد اول روش محاسبه عدم قطعيت داده در فضاي نتروسافيͷ مr باشد. در اين قسمت با توجه به متفاوت بودن بودن ماهيت داده هاي گفتار و تصوير، براي هر مجموعه داده يͷ روش محاسبه عدم قطعيت ارائه شده است. مورد دوم تاثير مقدار عدم قطعيت داده ها در شبͺه هاي عصبي همͽشتr مr باشد. در اين قسمت با كمͷ گرفتن از عدم قطعيت داده ها در شبͺه هاي عصبي همͽشتr مr توان دقت را بهبود داد. بنابراين در اين پايان نامه دقت شبͺه هاي عصبي همͽشتr به كمͷ عدم قطعيت داده ها بهتر شده است. آزمايش هاي انجام شده روي مجموعه دادگان Aurora2 و 10-CIFAR نشان مr دهد دقت روش پيشنهادي در مقايسه با شبͺه هاي عصبي همͽشتr بهبود يافته است. براي مجموعه دادگان Aurora2 در حالت تميز و نويزي به ترتيب ١١ و ۴ درصد نسبت به شبͺه هاي عصبي همͽشتr بهبود داشته است. براي مجموعه دادگان 10-CIFAR نيز در حالت نويزي حدود ۴ درصد دقت شبͺه نسبت به شبͺه هاي عصبي همͽشتr بهتر شده است. واژگان كليدي: شبͺه هاي عصبي همͽشتr، تئوري نتروسافيͷ ،عدم قطعيت

1397/08/06

Improvment of Convolutional Neural Networks with considering data uncertainty

10/28/2018 12:00:00 AM

Abstract: Today, convolutional neural networks (CNNs), as a group of deep neural networks, have been used increasingly in speech recognition and image processing applications. In speech recognition, these networks are used in audio modeling as well as feature extraction from the spectrum of speech signals. These networks are also used in image processing in applications such as image classification and image segmentation. One of the most important problems in CNNs is their low robustness against noise conditions. Noisy data can be handled by data uncertainty in which, the higher level of noise in a data point, the higher amount of uncertainty is assigned to that data point. In this thesis, a new method based on neutrosophic theory is presented for improving CNNs. The main contributions of this research can be summarized in two sections. First, two new definitions of data uncertainty are proposed for speech and image data in neutrosophic domain. Second, data uncertainty is integrated with CNN as a new CNN model. Proposed CNN model can handle noisy data (data with higher uncertainty) which leads to the improvement of CNN in speech and/or image processing. To the best of our knowledge, this is the first model of CNN which handle noisy data by considering data uncertainty and can be applied in any type of data. To show the effectiveness of the proposed model, experiments were performed on speech and image datasets including Aurora2 and CIFAR-10, respectively. Results demonstrated that the proposed CNN model has more accurate results in comparison with conventional CNN. In Aurora2 dataset, the proposed CNN model improved the accuracy by 11% and 4% for clean and noisy conditions, respectively. Finally, for CIFAR-10 dataset in noisy condition, the proposed model outperformed current models by 4%. Keywords: Convolution Neural Network, Neutrosophic Theory, Uncertainty