Veri işleme için derin öğrenme teknikleri kullanarak yeni bir çerçeve

Derin otomatik kodlayıcı sinir ağları el yazısı tanıma, medikal görüntüleme, yüz tanıma vb. de dahil olmak üzere çeşitli sınıflandırma ve tanıma sorunlarında yaygın olarak kullanılmaktadır. Derin otomatik kodlayıcı sinir ağlarının genel olarak performansı kullanılan parametrelerin sayısına, sinir ağlarının yapısına ve transfer fonksiyonlarının uyumluluğuna bağlıdır. Bununla birlikte, uygun olmayan yapı tasarımı, derin otomatik kodlayıcı sinir ağlarının performansında bir düşüşe neden olabilmektedir. Yaygın olarak kullanılan derin öğrenme tekniklerinden birisi olan otomatik kodlayıcı performansını değerlendirmek için dört çerçeve önerilmiştir. Birinci çerçevede, her bir otomatik kodlayıcıya ait parametre Taguchi yöntemi kullanılarak optimize edilmiştir. Önerilen çerçeve DDOS (Dağıtık Hizmet Aksatma) tespiti, IDS (Kimlik) tanıma, Epileptik nöbet tanıma ve basamak sınıflandırma veri seti olmak üzere dört veri seti kullanılarak doğrulanmıştır. İkinci çerçevede, girdi verilerinden önemli özellikleri çıkarmak için enerji spektral yoğunluğunun ön işleme tekniği kullanılmıştır. Önerilen çerçeve üç medikal veri seti kullanılarak test edilmiştir. Üçüncü çerçevede, derin otomatik kodlayıcı performansını artırmak için Kesikli Dalgacık Dönüşümü (DWT) ile birleştirilmiştir. Daha sonra, çerçeve bu alanda iyi bilinen çalışmalara kıyaslanmış ve tatmin edici sonuçlar ürettiği görülmüştür. Son olarak, derin otomatik kodlayıcının çıktısını artırmak için işlem sonrası teknik olarak doğrusal (lineer) bir model önerilmiş ve parametreleri Parçacık Sürü Optimizasyonu (PSO) Algoritması kullanılarak tahmin edilmiştir. Deneysel sonuçlar, önerilen yöntemin önceki çalışmalarla karşılaştırıldığında yüksek doğruluk sağladığını göstermiştir.