سپیده حیدری - کارشناسی مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد تهران مرکزی

این تحقیق الگوریتم های یادگیری عمیق برای شناسایی و طبقه بندی تصاویر ماهواره ای و پردازش سیگنال های راداری را با ارائه رویکردی تلفیقی از شبکه های عصبی کانولوشنال و شبکه عصبی پرسپترون چند لایه معرفی می نماید. معیارها شامل چالش های تلفیق شبکه های عصبی کانولوشن با شبکه های عصبی پرسپترون چند لایه و گزینه ها شامل راهکارهای رفع چالش های مربوطه در نظر گرفته شد. به منظور انجام تحلیل از روش AHP استفاده گردید. نتایج تحلیل نشان داد میزان یادگیری الگو به صورت عمیق، قابلیت یادگیری مدل های غیرخطی و سرعت پردازش داده ها به ترتیب با وزن گزینه های ۰/۳۳۷ و ۰/۲۱۹ و ۰/۱۵۹ به عنوان سه گزینه برتر می باشند. ارزیابی مقایسه ای یادگیری الگوهای مسیرها و موانع در سیستم های خودکار هدایت و کنترل شبکه عصبی کانولوشن و پرسپترون چند لایه و رویکرد تلفیقی دو شبکه عصبی مصنوعی بر حسب زمان نشان دهنده یادگیری دقیق تر و سرعت بیشتر مدل تلفیقی دو شبکه عصبی مصنوعی می باشد. نتایج ارزیابی گزینه های حرکت وسیله پرنده روی یک مسیر خاص نشان می دهد تعیین مقصد نهایی وسیله پرنده، تعیین مقدار لحظه ای متغیرهای حالت وسیله پرنده و اقدامات انجام شده توسط وسیله پرنده در طی کردن مسیر مطلوب به ترتیب با وزن گزینه های ۰/۲۳۸ و ۰/۱۸۲ و ۰/۱۴۹ به عنوان سه گزینه برتر می باشند و این به معنی اهمیت مسیریابی صحیح توسط رویکرد تلفیقی می باشد.

الگوریتم های یادگیری عمیق، شبکه های عصبی کانولوشنال، شبکه عصبی پرسپترون چند لایه ، سیستم های خودکار هدایت و کنترل، روشAHP