چکیده مقاله
با رشد سریع شهرنشینی پایش و طبقه بندی دقیق پوشش اراضی شهری به امری ضروری در مدیریت پایدار شهری تبدیل شده است اگرچه شبکه های عصبی کانولوشنی CNN توانایی بالایی در استخراج ویژگی های پیچیده از داده های سنجش از دور دارند اما عملکرد آنها به شدت وابسته به تنظیم بهینه هایپرپارامترها است هدف این پژوهش ارائه یک روش ترکیبی نوین برای طبقه بندی بهینه پوشش اراضی شهری با استفاده از الگوریتم بهینه سازی ستاره دریایی SFOA و شبکه عصبی کانولوشنی است در این پژوهش از الگوریتم بهینه سازی ستاره دریایی برای تنظیم خودکار هایپرپارامترهای کلیدی CNN شامل تعداد فیلترها، اندازه فیلترها، اندازه گام، اندازه کرنل، لایه MaxPooling، نرخ Dropout و اندازه Batch استفاده شده است مجموعه داده Urban Land Cover از UCI شامل ۱۶۸ نمونه با ۱۴۸ ویژگی، طیفی، شکلی و بافتی به عنوان داده های پژوهش مورد استفاده قرار گرفت عملکرد روش پیشنهادی با معیارهای دقت، صحت، فراخوانی و F۱ Score ارزیابی شد نتایج آزمایش ها نشان داد که روش ترکیبی SFOA CNN با دقت کلی ۹۴ ۷ کارآمدتر از روش های پایه است این روش توانست هایپرپارامترهای بهینه را به صورت خودکار شناسایی کند و منجر به بهبود ۱۲ ۳ در دقت طبقه بندی نسبت به CNN با هایپرپارامترهای پیش فرض شود، همچنین روش پیشنهادی تعادل بهتری بین اکتشاف و بهره برداری در فضای جستجوی هایپرپارامترها ایجاد کرد ترکیب الگوریتم بهینه سازی ستاره دریایی با شبکه عصبی کانولوشنی به عنوان یک روش کارآمد و خودکار برای طبقه بندی پوشش اراضی شهری پیشنهاد می شود این روش نه تنها دقت طبقه بندی را به طور قابل توجهی بهبود می بخشد بلکه وابستگی به تنظیم دستی هایپرپارامترها را کاهش می دهد کاربردهای عملی این پژوهش در حوزه های برنامه ریزی شهری، مدیریت منابع طبیعی و پایش تغییرات محیطی قابل تصور است
کلیدواژهها
نویسندگان
شیوه ارجاع
�لبوت، علیرضا و معصومی، اشکان و قائدی، حسن،1404،ارائه روشی کارآمد برای طبقه بندی بهینه پوشش اراضی شهری با استفاده از ترکیب الگوریتم بهینه سازی ستاره دریایی و شبکه عصبی کانولوشن،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین