بهبود تشخیص ناهنجاری در داده های رادار نفوذی زمین (GPR) با استفاده از شبکه های عصبی و بهینه سازی هایپرتیونینگ OPTUNA

در این مقاله، یک روش بهینه سازی مبتنی بر الگوریتم های یادگیری ماشین برای تشخیص ناهنجاری در داده های رادار نفوذی زمین (GPR) ارائه شده است. هدف از این مطالعه، بهبود دقت مدل شبکه های عصبی از طریق تنظیم هایپرتیونینگ با استفاده از الگوریتم Optuna است. به این صورت که تنظیم پارامترها و مقادیر در شبکه های عصبی از طریق یادگیری خودکار صورت می گیرد. در این روش، مدل شبکه عصبی با ترکیب لایه های Dense، Batch Normalization و Dropout طراحی شده و مقادیر بهینه برای پارامترهایی مانند تعداد نرون ها، نرخ یادگیری و نرخ دراپ آوت با Optuna تنظیم شده است. داده ها پس از پیش پردازش شامل نرمال سازی و تبدیل ویژگی ها، به مدل ارائه شده اند. نتایج آزمایش ها نشان می دهد که روش پیشنهادی با بهینه سازی مناسب، دقت بالاتری در تشخیص ناهنجاری ها نسبت به مدل های بدون تنظیم دستی هایپرتیونینگ دارد. این بهبود می تواند در کاربردهای ژئوفیزیکی، زمین شناسی، تونل سازی، مهندسی عمران و اکتشافات زیرسطحی نقش موثری ایفا کند.

Keywords:

رادار نفوذی زمین , تشخیص ناهنجاری , یادگیری ماشین , تنظیم هایپرتیونینگ , Optuna , شبکه عصبی