FUZ-SMO:一种模糊的粘液模具优化器,用于减轻使用深卷积神经网络的水下数据集分类中的错误报警率
Dong Liang Zhang1, Zhiyong Jiang2, Fallah Mohammadzadeh3
1School of Computer Science & Technology, Zhoukou Normal University, Zhoukou, 466001, Henan, China.
Heliyon
|April 8, 2024
概括
本研究引入了一种新方法,用于使用深度长期短期记忆 (DLSTM) 和卷积神经网络 (CNN) 来分类声纳声音数据集. 模糊粘液模具优化器 (FUZ-SMO) 显著改善了DLSTM超参数调整,以获得更好的精度.
科学领域:
- 海洋声学 海洋声学
- 水下监控技术的使用.
- 机器学习用于信号处理.
背景情况:
- 声纳声响数据集对于水下监测和海洋研究至关重要.
- 归类声纳数据带来了重大挑战,影响了有效的分析.
- 像DLSTM和CNN这样的深度学习模型具有潜力,但需要最佳的超参数调整.
研究的目的:
- 为了提高声纳声音数据集分类的精度和有效性.
- 为了解决传统的超参数调方法中的计算效率低下问题.
- 研究用于LSTM超参数优化的新型模糊粘液模具优化器 (FUZ-SMO).
主要方法:
- 深度长期短期记忆 (DLSTM) 和卷积神经网络 (CNN) 的整合.
- 区分特征工程技术的应用.
- 使用模糊粘液模具优化器 (FUZ-SMO) 进行LSTM超参数调整.
主要成果:
- 结合CNN,LSTM,模糊和SMO模型,比传统的LSTM架构在分类准确度上实现了2.142%的改进.
- 在培训过程中表现出加速的融合.
- 对过度装配趋势表现出显著的弹性,这表明性能强.
结论:
- 拟议的FUZ-SMO方法有效地优化LSTM超参数用于声纳声音分类.
- 与FUZ-SMO合并的DLSTM-CNN模型提供了卓越的性能和稳定性.
- 这项研究提升了水下声学数据分析和监控的能力.
