بهسازي شبكه عصبي عميق با افزودن قواعد فازي براي تشخيص ناهنجاري در مسير شناورها

Improvement of deep neural networks using fuzzy rules for anomaly detection in vessels trajectory

در سالهاي اخير توسعه و بكارگيري شبكه هاي عميق، منجر به تحولي شگرف در بهبود كيفيت سامانه هاي ادراك ماشيني شده است. ايده اساسي در اين شبكه ها، در مقايسه با شبكه هاي عصبي سنتي اين است كه با استفاده از تعداد لايه هاي بيشتر و تعداد متغيرهاي بيشتر در هر لايه، بجاي ويژگي هاي ابتكاري و انتزاعي، از ويژگي هايي كه بصورت اتوماتيك توسط شبكه استخراج مي شود، استفاده كنيم. لذا اين شبكه ها، پارامترهاي زيادي دارد كه با استفاده از تعداد مناسبي از داده هاي آموزشي تعيين و يا تنظيم مي شوند. از سوي ديگر، در برخي از كاربردها، عدم قطعيتي در تصميم گيري ها وجود دارد كه آموزش سيستم با داده هايي كه از قبل آماده شده است نمي تواند ما را لزوما به اين مهم رهنمون سازد و يا حداقل اينكه ضرورت دارد پيچيدگي سيستم و تعداد داده هاي آموزشي آن را بطور قابل توجهي افزايش دهيم. در اين پژوهش، ساختاري در شبكه هاي عصبي عميق بكار گرفته مي شود كه طي آن با اضافه نمودن عدم قطعيت به كمك قوانين فازي، نتايج حاصل از شبكه عصبي عميق بهبود مي يابد. اين ساختار بهبوديافته، در مسئله تشخيص ناهنجاري ها در حركت شناورها روي مجموعه دادگان AIS، مورد ارزيابي قرار مي گيرد. نتايج حاصله، تاييد كننده برتري روش پيشنهادي است.

In recent years, the performance of machine vision algorithms has improved by development and usage of deep neural networks. The main supporting idea in these networks is that by increasing of the network layers and their variables, the traditionally used man-made features are replaced by automatically extracted features. So, these networks involve a number of parameters which are determined or tuned using a large set of training examples. On the other hand, in a number of applications, there always is an amount of uncertainty within the decision making process. This uncertainty is not necessarily learned by a set of prepared training dataset or at least a very complex structure with a large number of parameters and therefore a huge number of training data is required. In this research, the performance of a deep network is improved by applying a deep structure in which the uncertainty is added to the system with the help of a set of fuzzy rules. The improved structure is used and evaluated within the framework of the anomaly detection problem using the AIS data set. Our experimental results confirm the superiority of the proposed method.