طبقه‌بندي ريز هدف‌هاي آكوستيكي با استفاده از شبكه‌هاي كانولوشني عميق با طول متغير توسط الگوريتم بهينه‌ساز شامپانزه مبتني پروتكل اينترنتي

با توجه به پيچيدگي هاي پيش روي طبقه‌بندي ريز هدف‌هاي آكوستيكي، استفاده از روشهاي معين و متعارف با چالشهاي جدي روبرو شده است. از سوي ديگر شبكه‌هاي عصبي كانولوشني عميق (DCNN) در ميان مطمئنترين روش‌هاي يادگيري عميق براي حل مسائل طبقه‌بندي تصوير قرار مي‌گيرند؛ بااين‌حال، طراحي معماري DCNN بهينه براي يك مسئله با ابعاد بالا، مانند طبقه‌بندي ريز هدف‌هاي زيرآب مي‌تواند بسيار چالش‌برانگيز باشد. براي حل اين مشكل، اين مقاله با استفاده از الگوريتم بهينه‌سازي شامپانزه (ChOA) به يافتن بهترين معماري براي DCNNها ميپردازد. در اين راستا، سه نوآوري بر اساس ChOA استاندارد و به‌منظور دستيابي به يك طبقهبند صوتي با حداقل پيچيدگي و دقت بالا، پيشنهاد ميشود. ابتدا، يك روش كدگذاري منحصربه‌فرد مبتني بر آدرس پروتكل اينترنت (IP) توسعه داده ميشود كه كدگذاري لايه‌هاي DCNN را براي بردارهاي شامپانزه راحتتر مي‌كند. سپس، براي دستيابي به DCNNهاي با طول متغير، يك‌لايه تضعيف شده توصيه مي‌شود كه برخي از ابعاد بردار شامپانزه را پوشش ميدهد. به عنوان نوآوري سوم، فرآيند يادگيري مجموعه دادههاي بزرگ به بخشهاي كوچكتر تقسيم ميشود، كه سپس به صورت تصادفي ارزيابي مي گردند. در ادامه، پس از جمع‌آوري داده‌هاي موردنياز و انجام آزمايش، حداقل خطا براي معماري بهينه برابر با عدد 0/000827 است كه درمجموع زماني 1012 ثانيه به‌دست‌آمده است. نتايج بدست آمده تاييد ميكند كه روش پيشنهادي، علاوه برافزايش دقت آموزش مدل، به‌طور قابل‌توجهي موجب صرفه‌جويي زمان محاسبه گرديده است.