شبکه عصبی کانولوشن

آشکارسازی و شناسایی خودکار عوارض موجود در مناطق مختلف جغرافیایی با دقت بالا با توجه به اهداف گوناگون اعم از مدیریت شهری، اهداف نظامی و غیره از مسائل اساسی در شناخت پدیده های سطح محسوب می گردد. تکنیک های سنجش از دور و سیستم اطلاعات مکانی (GIS) به همراه تصاویر اخذ شده از سنجنده های ماهواره ای با تلفیق الگوریتم های یادگیری عمیق نمایان سازی عوارض موجود در تصاویر را به خوبی ارتقاء داده است. در این پژوهش به ارائه روشی نو در تلفیق همزمان لایه های CNN و Pooling موجود در الگوریتم مورد استفاده پرداخته شده که در نهایت منجر به کاهش چشمگیر زمان آموزش شبکه با استفاده از داده های جامع آموزشی با دقت بالا و در عین حال حجم زیاد گردید. در این تحقیق با بهره گیری از آموزش شبکه به وسیله داده های آموزشی به آشکارسازی کشتی های موجود در تصاویر ماهواره ای با ایجاد یک شبکه تماماً کانولوشنال FCN پرداخته شده است. جهت ارزیابی عملکرد و دقت الگوریتم استفاده شده در یافتن و آشکارسازی کشتی های موجود در تصاویر ماهواره ای، با اعمال این الگوریتم آشکارساز بر روی چندین تصویر ماهواره ای دیگر از معیارهای ارزیابی Precision، Recall و F1-Score استفاده شد که مقادیر آن ها به ترتیب برابر با %100، % 61/97 و % 83/98 بوده است که نمایانگر دقت و قابل اعتماد بودن الگوریتم می باشد.

دلیل اصلی که باعث شد داده کاوی، مورد توجه صنعت اطلاعات قرار بگیرد، مسئله در دسترس بودن حجم وسیعی از داده ها و استخراج اطلاعات و دانش سودمند از آن ها است. در عملیات پاک سازی داده، مشکل کیفیت داده ها برطرف می شود. یکی از مشکلاتی که بر کیفیت داده ها تأثیر می گذارد، داده های برون هشته هستند. این نمونه ها رکوردهایی هستند که مقادیر مشخصه آن ها با رکوردهای دیگر بسیار تفاوت دارد. در این تحقیق از یک روش مبتنی بر یادگیری عمیق و شبکه عصبی عمیق 14 لایه ای بر روی پکیج تنسورفلو و کراس برای تشخیص برون هشته ای و بهبود عملکرد آن استفاده شده است. مجموعه داده مورد استفاده در این تحقیق مجموعه ای با 2 درصد برون هشته ای است. میزان صحت روش پیشنهادی مقدار 08/97 را نشان داد و معیارهای بازخوانی و دقت نیز 97 درصد محاسبه شده است. روش پیشنهادی با 5 مدل دیگر مبتنی بر شبکه عصبی کانولوشن و شبکه بازگشتی LSTM نیز مقایسه شدند. مقدار معیارهای ارزیابی کلاس بندها نشان از بهبود بسیار خوب روش پیشنهادی در مقابل روش های سنتی و حتی روش های مبتنی بر یادگیری عمیق را داده است.

اینترنت وسایل نقلیه (IoV) مفهومی نوظهور در سیستم های حمل ونقل هوشمند (ITS) است که هدف بهبود ایمنی عابران پیاده و رانندگان و نظارت بر ترافیک را دنبال می کند؛ اما ارتباطات اینترنت وسایل نقلیه در برابر حملات مختلف آسیب پذیر هستند. بنابراین امنیت در اینترنت وسایل نقلیه یک مسئله جدی است زیرا مستقیماً بر زندگی کاربران ان تأثیر می گذارد. یکی از مهم ترین حملات در این محیط، حمله انکارسرویس (DoS) است که از دسترسی به سرویس های اینترنت وسایل نقلیه جلوگیری می کند و از همه مهم تر باعث ترافیک و تصادفات جاده ای می شود و ایمنی کاربران را به خطر می اندازد. بنابراین، یک راه حل مبتنی بر یادگیری عمیق برای شناسایی حملات انکارسرویس در محیط اینترنت وسایل نقلیه پیشنهاد شده است. مدل پیشنهادی از شبکه عصبی کانولوشن 10لایه تشکیل شده است که می تواند انواع مختلف حملات انکارسرویس را بطور موثر تشخیص دهد. عملکرد مدل پیشنهادی با مجموعه داده واقعی و جدید VDoS-LRS ارزیابی شده است. نتایج تجربی نشان می دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت 100% رسیده است.

هدف: یکی از مهم ترین اهداف سرمایه گذاران و معامله گران بازار های مالی شناخت رفتار قیمت سهام است. پیش بینی قیمت، می تواند به افراد در مورد خرید، فروش یا نگهداری سهام کمک کند تا با زمان بندی موثر معاملات، سود بالقوه را به حداکثر یا زیان را به حداقل برسانند. به دلیل رفتار غیر خطی قیمت و وابستگی آن به عوامل گوناگون پیش بینی قیمت کار دشواری است که برای مقابله با این چالش، در این پژوهش از مدل های یادگیری عمیق کمک گرفته می شود که زیر شاخه ای از مدل های یادگیری ماشین هستند. ساختار مدل های یادگیری عمیق به دلیل تمرکز بر روی تعداد لایه های بیشتر و استفاده از گره های به هم پیوسته (نورون ها) در مواجه با مقادیر زیادی داده عملکرد مناسبی دارند و به دلیل توانایی آن ها در شناخت الگو ها و روابط، امکان ارائه پیش بینی دقیق تری از قیمت ها را فراهم می کنند.روش: در این پژوهش، برای پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران از دو مدل پیشنهادی LSTM-CNN و CNN-LSTM به وسیله بهینه سازی هایپرپارامتر ها توسط الگوریتم PSO که یک الگوریتم بهینه سازی مبتنی بر جمعیت است و تکنیک های تقویت مدل شامل: آموزش خصمانه، مکانسیم توجه و بلوک باقی مانده استفاده شده است. این مدل ها با مدل های CNN،LSTM وCNN-LSTM مورد مقایسه قرار گرفته اند. جهت دستیابی به این هدف، داده های10سهم از تاریخ20 شهریور 1392 تا تاریخ20 شهریور 1402 مورد بررسی قرارگرفته است.داده های ورودی شامل: قیمت های تعدیل شده سهم، اندیکاتور ها، اسیلاتور ها، قیمت دلارآزاد آمریکا و نرخ تورم می باشد.یافته ها: مقایسه نتایج معیار های ارزیابی شامل چهار معیار RMSE، MAE، R-squared و MAPE نشان از عملکرد مطلوب  دو مدل پیشنهادی با سایر مدل ها می دهد. علاوه بر این، مدل پیشنهادی LSTM-CNN  توانسته بهترین عملکرد را به ثبت رساند. همچنین، بررسی نتایج دو مدل پیشنهادی، با و بدون الگوریتم PSO  مشخص کرد که این الگوریتم به بهینه سازی مدل ها کمک می کند. در نهایت، بررسی استراتژی های مبتنی بر مدل های پیشنهادی بر روی پنج سهم از پنج صنعت مختلف در چهار دوره زمانی نشان از عملکرد مالی برتر آن ها می دهد. به عبارت دیگر، مدل های پیشنهادیLSTM-CNN  و  CNN-LSTMتوانسته اند در معیار بازده مالی و نسبت شارپ در مقایسه با سایر استراتژی ها موفقیت مطلوبی به دست آورند که مدل پیشنهادیLSTM-CNN  مطلوب ترین عملکرد را به ثبت رسانده است.نتیجه گیری: هایپرپارامترها، پارامترهایی هستند بر روی خروجی مدل ها تاثیر دارند و با تغییر هرکدام از این هایپارامترها نتایج مختلفی به دست می آید که می تواند مناسب یا غیر مناسب باشند این پارامترها در طول آموزش یاد نمی گیرند و باید قبل از آموزش تنظیم شوند. طبق نتایج به دست آمده، بهینه سازی هایپرپارامترها، می تواند سهم را بر اساس رفتار آن سهم بهینه کند که این امر منجر به پیش بینی دقیق تر قیمت می شود. همچنین، با استفاده از مدلLSTM-CNN  استخراج ویژگی ها از داده ها  و شناسایی و درک وابستگی ها در ویژگی های استخراج شده به طور مناسب تری از CNN-LSTM صورت می گیرد که می تواند در بهبود دقت پیش بینی کمک کند.

سیل یکی از مخاطرات طبیعی است که می تواند به شدت بر زندگی انسان تأثیر بگذارد، به گونه ای که واکنش اضطراری به آن نیاز به ارزیابی دقیق منطقه آسیب دیده پس از حادثه دارد. مشاهدات رادار با روزنه مجازی (SAR) بطور گسترده در تهیه نقشه و نظارت بر سیل استفاده می شود. با این حال، خدمات عملیاتی فعلی عمدتاً معطوف به سیل در مناطق روستایی است و مناطق سیل زده شهری، کمتر مورد توجه قرار می گیرند. در عمل، نقشه برداری از سیلاب های شهری به دلیل مکانیسم های پیچیده برگشت در محیط های شهری، چالش برانگیز است و علاوه بر شدت SAR، اطلاعات دیگری نیز لازم است. در این مقاله یک روش طبقه بندی برای تشخیص سیل در مناطق شهری با تلفیق استفاده از شدت SAR و همدوسی تداخل سنجی تحت چارچوب شبکه عصبی کانولوشن CNN معرفی می شود، تا اطلاعات سیل از مناظر مختلف را استخراج نماید. به منظور تمایز تغییرات حاصل از سیلاب از دیگر تغییرات، از سه سری زمانی همدوسی حاصل از تصاویر(قبل قبل، قبل بعد و بعد بعد) استفاده شده است. این روش در رویداد سیل 25 اسفند 1397 گنبد کاووس  با داده های Sentinel-1 آزمایش می شود. نقشه های سیلاب حاصل از تلفیق شدت و همدوسی و شدت به تنهایی در مقایسه با داده های کنترل زمینی در مناطق شهری و داده های حاصل از آستانه گذاری تصاویر سنتینل-1 نشان می دهد که دقت کلی 93.8٪ و ضریب کاپا 0.81 برای ترکیب شدت و همدوسی و نیز دقت کلی 90.6٪ و ضریب کاپا 0.72 برای ترکیب شدت به تنهایی و دقت کلی 86.8٪ و ضریب کاپا 0.56 برای ترکیب همدوسی به تنهایی وجود دارد. آزمایش ها نشان می دهند که همدوسی علاوه بر شدت در تهیه نقشه از سیلاب شهری، اطلاعات ارزشمندی را فراهم می کند و روش پیشنهادی می تواند ابزاری مفید برای تهیه نقشه از سیلاب شهری باشد.

سابقه و هدف: تشخیص تغییرات، در داده های سنجش از دور، وظیفه ای بسیار مهم در علوم محیط زیست، مدیریت منابع طبیعی، برنامه ریزی شهری و مدیریت بحران هاست. با وجود پیشرفت های اخیر در این زمینه، بسیاری از روش های موجود صرفاً به چالش های خاصی می پردازند و قادر به دادن راه حلی جامع، برای انواع متفاوت داده ها و کاربردها نیستند. این محدودیت ها شامل ناتوانی در مدیریت داده های چندطیفی، فراطیفی و راداری، و نیز ناتوانی در بیان نتایج دقیق و سریع با استفاده از پردازش موازی و بهینه سازی منابع پردازشی می شود. علاوه براین، روش های فعلی اغلب به تشخیص تغییرات باینری محدود می شوند و قادر به شناسایی دقیق نوع ویژگی های تغییریافته نیستند. بنابراین هدف اصلی این تحقیق توسعه روشی نوآورانه و جامع برای تشخیص تغییرات است که بتواند این محدودیت ها را برطرف کند و در دنیای واقعی، کاربردهای مؤثری داشته باشد.مواد و روش ها: در این مطالعه، روش جدیدی مبتنی بر ترکیب شبکه ترانسفورمر و مدل توجه خودکار مطرح می کنیم که قادر به پردازش و تحلیل داده های سنجش از دور، با دقت و کارآیی بالاست. این روش از داده های چندطیفی، فراطیفی و راداری بهره می برد که از ماهواره های سنتینل – 2، QuickBird و TerraSAR-X به دست آمده اند. این داده ها در بازه های زمانی متفاوتی جمع آوری شده و شامل اطلاعات گوناگون، ازجمله تغییرات پوشش گیاهی، کاربری زمین و تغییرات ساختاری اند. روش پیشنهادی از تکنیک های ادغام ویژگی ها بهره می برد که با استفاده از لایه های کانولوشن و ترانسفورمر، اطلاعات موجود در داده ها را ترکیب می کند و دقت تشخیص تغییرات را افزایش می دهد. علاوه براین استفاده از مکانیسم توجه فضایی به شناسایی روابط مکانی بین ویژگی ها کمک می کند و با تمرکز بر نواحی کلیدی، دقت تشخیص تغییرات را بهبود می بخشد. شبکه مبتنی بر ترانسفورمر که برای تعیین شباهت توسعه یافته است، با مکانیسم های توجه خودکار تقویت شده که امکان دریافت روابط پیچیده بین ویژگی ها را در دنباله های زمانی فراهم می کند. این ویژگی، به ویژه برای تشخیص تغییرات جزئی که ممکن است در سایر روش ها نادیده گرفته شوند، اهمیت دارد. در بستر عملیاتی، روش پیشنهادی روی سیستمی با کارآیی بالا، شامل یک CPU 24 هسته ای Xeon E5-2697 v2، 28 گیگابایت حافظه، دیسک SSD با ظرفیت 200 گیگابایت و یک کارت گرافیک RTX 2080 Ti با 11 گیگابایت RAM و CUDA 11 اجرا و ارزیابی شد.نتایج و بحث: نتایج این تحقیق برتری روش پیشنهادی را در مقایسه با روش های موجود نشان می دهند. ارزیابی ها براساس معیارهای دقت، بازخوانی، F1-score، دقت کلی (OA) و هم پوشانی متقاطع (IoU) انجام شد. این روش توانست، در تمامی این معیارها، عملکردی بهتر از روش های دیگر نشان دهد. به طورخاص دقت کلی افزایش چشمگیری یافت و در برخی مجموعه داده ها، به بیش از 95% رسید. این نتایج حاکی از آن است که روش پیشنهادی نه تنها قادر به تشخیص دقیق تغییرات باینری است بلکه می تواند نوع ویژگی های تغییریافته را نیز با دقت بالا شناسایی کند. این قابلیت ها به دلیل استفاده از تکنیک های پیشرفته یادگیری عمیق و پردازش موازی به دست آمده اند. همچنین استفاده از چارچوب SoFRB باعث بهبود کارآیی روش پیشنهادی شده و امکان پردازش داده های حجیم را، در زمان کمتر، فراهم کرده است. تحلیل های ما بیان می کند که روش پیشنهادی می تواند، با مجموعه داده های متفاوت، انطباق بالایی نشان دهد و در شرایط گوناگون کارکرد مؤثری داشته باشد. به علاوه، این روش می تواند ابزار کارآمدی در زمینه های متفاوت، ازجمله نظارت بر محیط زیست، برنامه ریزی شهری، کشاورزی دقیق و مدیریت بحران ها باشد.نتیجه گیری: روش پیشنهادی ترکیبی از تکنیک های مدرن یادگیری عمیق و پردازش موازی است که دقت و کارآیی تشخیص تغییرات در داده های سنجش از دور را بهبود چشمگیری بخشیده است. نتایج این تحقیق نشان می دهد که روش پیشنهادی نه تنها در شرایط آزمایشگاهی بلکه در کاربردهای عملی نیز مورد اعتماد است. به طورخاص این روش می تواند در نظارت بر تغییرات محیط زیست، شناسایی تغییرات در زیرساخت های شهری و مدیریت بحران های طبیعی و انسانی، نقش مؤثری داشته باشد. این نتایج نویدبخش کاربردهای گسترده این روش در حوزه های گوناگون است. همچنین تحقیقات آینده می تواند شامل بهبودهای بیشتری در زمینه های گوناگون، مانند بهینه سازی مدل، استفاده از داده های بیشتر و متنوع تر و بررسی تأثیر استفاده از تکنیک های جدیدتر یادگیری عمیق و پردازش موازی باشد.