Resumen

En los últimos años, las redes neuronales convolucionales (CNN) han atraído una gran atención por su impresionante rendimiento en diversas aplicaciones, como la clasificación de frases en árabe. Sin embargo, construir una CNN potente para la clasificación de sentimientos en árabe puede ser muy complicado y llevar mucho tiempo. En este trabajo, abordamos este problema combinando el algoritmo de evolución diferencial (ED) y la CNN, donde el algoritmo ED se utiliza para buscar automáticamente la configuración óptima, incluyendo la arquitectura de la CNN y los parámetros de la red. Para lograr el objetivo, el algoritmo DE busca cinco parámetros de la CNN que incluyen los tamaños de los filtros de convolución que controlan la arquitectura de la CNN, el número de filtros por tamaño de filtro de convolución (NFCS), el número de neuronas en la capa totalmente conectada (FC), el modo de inicialización y la tasa de abandono. Además, se investigó el efecto de los operadores de mutación y cruce en el algoritmo DE. El rendimiento del marco propuesto DE-CNN se evalúa en cinco conjuntos de datos de sentimientos árabes. Los resultados de los experimentos muestran que DE-CNN tiene una mayor precisión y consume menos tiempo que los algoritmos del estado del arte.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo de de, tamaño del filtro de convolución, arquitectura de cnn, cnn, número de neuronas, clasificación de frases en árabe, conjuntos de datos de sentimientos en árabe, red neuronal convolucional, clasificación de sentimientos en árabe, número de filtro
• Keywords:de algorithm, convolution filter size, cnn architecture, cnn, number of neurons, arabic sentence classification, arabic sentiment datasets, convolutional neural network, arabic sentiment classification, number of filter