![]() | Only 14 pages are availabe for public view |
Abstract يعتبر التعلم العميق واحد من تقنيات تعلم الآلة لي النموذج الهرمي في إدخال البيانات بمساعدة من طبقات متعددة. قد أنجزت تقنيات التعلم العميق عالية الأداء في رؤية الحاسوبيه، ومعالجة اللغة الطبيعية والتعرف على الكلام التلقائي. التعلم العميق تتضمن بعض تقنياتAuto encoder ،Deep Auto encoder (DAE), Stack Auto encoder (SAE), Contractive Auto encoder(CAE), Denoising Auto encoder (DA).وتهدف Deep Auto encoder لتقديم بيانات جيدة من البيانات التي يمكن الاستفادة منها لإعادة الإعمار والتصنيف. ويعتبر واحدا من الخوارزميات القوية التي تعطي أعلى قدر من الدقة وأفضل أداء.التعلم العميق يجمع بين وحدات أقل للإخراج المصنف وميزات الخام المدخلات لإنتاج ميزات جديدة في التسلسل الهرمي طبقة أعلى.و Deep Auto encoder هو يهدف إلى التعلم العميق لتمثيل البيانات لاستخدامه لإعادة بناء والتصنيف. ويعتبر واحد من الخوارزميات القوية في التعلم العميق التي تعطي أعلى قدر من الدقة وأفضل أداء.الطريقه المقترحة استخدمناها في تقليل الخطأ بالتصنيف وتستند هذه الطريقة المقترحة في هذا العمل على استخدام Deep Auto encoderو الخوارزمية الجينية من خلال تطبيق تقسيم التدريب ودمج خوارزميات التعلم العميق. المرحلة الاولى : أولا يتم تقسيم الشبكة إلى شبكتين تهيئة باستخدام Deep Auto encoder. ثانيا، تم دمج كل من هذه الشبكات باستخدام الخوارزمية الجينية. استخدمنا اثنين من السيناريوهات حيث كل سيناريو يشتمل عدد مختلف من التدريبات والإختبار لنفس البيانات، وقياس ذلك مع العديد من المعاييرمثل الدقة ونسبة الخطأ. الطريقه المقترحة تميزت بدقة عالية وصلت الى98.82مقارنة ب Deep Auto encoder 98.71. ونسبة الخطأ Deep Auto encoder مع الطريقة المقترحة لاجيال مختلفة من الخوارزميه الجينيه الى 1.15 مقارنات مع Deep Auto encoder 1.22 وكانت نسبة الخطأ للتجربه الثانيه من المقترح هي 1.6 مقارنة Deep Auto encoder1.83. وأظهرت النتائج التي تم الحصول عليها حققت أداء العالي وخفضت من معدل الخطأ. |