مروري بر رويكرد يادگيري عميق در صنعت هوافضا

در سال‌ هاي اخير، يادگيري عميق به محرك اصلي راه‌حل‌هاي نوآورانه براي مساله‌هاي هوش مصنوعي تبديل گرديده كه اين امر با افزايش مقدار داده‌هاي موجود، افزايش منابع محاسباتي و روش‌هاي بهبود يافته در آموزش شبكه‌هاي عميق امكان‌پذير شده است. پيشرفت و افزايش توان پردازش رايانه‌ها و توانمندتر شدن روش‌هاي هوش مصنوعي مانند يادگيري ماشين و يادگيري عميق، زمينه را براي اجرا شدن بسياري از طرح‌هاي هوافضايي آسان‌تر نموده است. استدلال‌هاي نظري و بيولوژيكي نشان مي‌دهند كه در راستاي ساخت سيستمي هوشمند با توانايي استخراج بازنمايي‌هاي سطح بالا و قدرتمند از داده‌ها، نياز به مدل‌هايي با معماري عميقي است كه شامل بسياري از لايه‌هاي پردازشي غيرخطي مي‌باشد. شايد بتوان گفت، بهترين و پركاربردترين نمونه از اين شبكه‌ها، به دليل سازگاري آن با انواع داده‌ها، شبكه‌هاي عصبي چندلايه هستند. شبكه‌هاي عصبي عميق ساختارهاي متفاوت، انواع مختلف و گونه‌هاي متنوعي را دارا هستند و با توجه به نوع داده‌ها و هدف مساله از آنها استفاده مي‌شود و هركدام داراي نقاط قوت و ضعف خود را دارند. در اين مقاله به بررسي و كاربرد اين شبكه‌ها در مساله‌هاي مختلف هوافضايي پرداخته شده است.