تعداد محاسبات زیاد و کارایی پایین بازنمایی داده از مشکلات عمده در روش‏های هسته است. به دلیل این مشکلات، روش‏های هسته در مقایسه با مدل‏های یادگیری عمیق مانند شبکه‏های عصبی کانولوشنی (CNN)، در مسائل شناسایی بصری از محبوبیت پایینی برخوردار هستند. یکی از مدل‏هایی که با استفاده از تقریب نگاشت تابع هسته توانسته است دقت و کارایی روش‏های هسته را بهبود بخشد، مدلی چندلایه به نام شبکه‏های هسته کانولوشنی (CKN) است. CKN ساختاری مشابه با CNN دارد اما آموزش آن ساده‏تر است. پارامترهای هر لایه از CKN با تقریب هسته‏ای به نام هسته کانولوشنی بدست می‏آید. در این مقاله روشی جدید برای تقریب هسته کانولوشنی با استفاده از قضیه بوچنر ارائه می‏شود. نشان داده می‏شود که شبکه هسته کانولوشنی بدست آمده با این تقریب، نسبت به روش اولیه شباهت بیش‏تری به مدل‏های CNN دارد. برای یادگیری پارامترهای تقریب، دو روش ارائه می‏شود. اول، از روش ویژگی‏های اتفاقی فوریه استفاده می‏شود که در آن پارامترهای تقریب به شکل مستقل از داده و اتفاقی تعیین می‏شود و سرعت بسیار بالاتری نسبت به روش اولیه تقریب هسته کانولوشنی دارد. دوم روشی جدید و وابسته به داده با معیار میانگین مربعات خطا ارائه می‏شود. آزمایش مدل ارائه شده بر روی مجموعه داده‏هایی از تصاویر نشان می‏دهد تقریب استفاده شده دقت مدل CKN را بهبود می‏بخشد.

کلمات کلیدی