امروزه موضوع یادگیری عمیق با پیشرفت موفقیت آمیز شبکه‌های پیچشی و یادگیری بهینه‌ی لایه‌های شبکه، مورد اهمیت واقع شده است. در این مقاله یک الگوریتم پیش‌پردازش با الهام از ماتریس عدم تشابه بازنمایی مغز برگرفته از مسیر بینایی ارائه گردیده که با تعریف تابع RDM و ایجاد تنکی کمک می‌کند تا وزنهای CNN سریع‌تر همگرا شود. این پارامتر جدید شتاب دهنده یا کاتالیزور فرایند آموزش CNN با افزایش تعداد صفرهای ماتریس عدم تشابه بازنمایی می باشد. میزان نرخ بازشناسی برای داده‌های دو گروهه و سه گروهه و میزان نرخ بازشناسی در زیرمجموعه‌هایی از مجموعه داده کلتک 256 مورد تحلیل و بررسی قرار گرفت که میزان بهبود مدل پیشنهادی 4 درصد نسبت به مدل پایه ارزیابی گردید. همچنین مقایسه مدل پیش پردازش پیشنهادی با مدلهای مرجع در حیطه‌ی پارامترهای ارزیابی بررسی گردید. Manuscript profile

در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تأثیر این تبدیل روی طبقه بندهای استاندارد برای داده های مصنوعی و تصاویر سیفار-10 بررسی و دو مدل مبتنی بر پیش پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان 2/3 درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی که طبقه بند نتواند با ویژگی های اصلی، تفکیک پذیری بالایی انجام دهد، می تواند تا حدودی با افزودن ویژگی های خطی به تفکیک پذیری کلاس ها کمک کند. Manuscript profile