منهجية لدراسة تأثير معلمات الشبكات العصبية المتصدعة مع الأخذ في الاعتبار بيانات السيارات المعتمدة على الأحداث

تعتبر أنظمة القيادة الذاتية (AD) مستقبل التنقل البشري والنقل. من الضروري حل مهام الرؤية الحاسوبية مثل تصنيف الصور واكتشاف/تجزئة الكائنات بدقة عالية واستهلاك منخفض للطاقة، لتحقيق أنظمة القيادة الذاتية في الحياة الواقعية. يمكن تلبية هذه المتطلبات من خلال الشبكات العصبية المتصدعة (SNNs). ومع ذلك، تركز الأبحاث الحديثة في أنظمة القيادة الذاتية القائمة على SNN بشكل كبير على اقتراح نماذج الشبكة التي يمكن أن تحقق دقة عالية، ولم تتم دراسة أدوار معلمات SNN بشكل منهجي عند استخدامها لتعلم بيانات السيارات المعتمدة على الأحداث. لذلك، لا زلنا نفتقر إلى فهم كيفية تطوير نماذج SNN بشكل فعال لأنظمة القيادة الذاتية. وفي هذا السياق، نقترح منهجية جديدة لدراسة وتحليل تأثير معلمات SNN مع الأخذ في الاعتبار بيانات السيارات القائمة على الأحداث، ثم الاستفادة من هذا التحليل لتعزيز تطوير SNN. للقيام بذلك، نستكشف أولاً إعدادات مختلفة من معلمات SNN التي تؤثر مباشرة على آلية التعلم (مثل حجم الدفعة، معدل التعلم، عتبة النورون، وتآكل الوزن)، ثم نقوم بتحليل نتائج الدقة. بعد ذلك، نقترح تقنيات تعمل على تحسين دقة SNN وتقليل وقت التدريب بشكل مشترك. تظهر النتائج التجريبية أن منهجيتنا يمكن أن تحسن نماذج SNN لأنظمة القيادة الذاتية مقارنةً بالأبحاث الحديثة، إذ تحقق دقة أعلى (86%) لمجموعة بيانات NCARS، ويمكنها أيضًا تحقيق دقة متساوية (~85% مع انحراف معياري أقل من 0.5%) بينما تسرع وقت التدريب بمعدل 1.9x. من خلال هذا، يوفر عملنا البحثي مجموعة من الإرشادات لتعزيز معلمات SNN، مما يمكّن من تطوير أنظمة القيادة الذاتية المعتمدة على SNN بشكل عملي.