دسته‌بندی دادگان سونار با استفاده از شبکه‌های عصبی تعلیم یافته با الگوریتم‌های سنجاقک بهبود یافته و پروانه - شمع

Abstract

یکی از زمینه‌های بسیار پیچیده در تحقیقات حوزه سونار، دسته‌بندی و تشخیص اکوی اهداف واقعی از کاذب در این حوزه می‌باشد. شبکه‌های عصبی پرسپترون چندلایه (MLP NN ) پرکاربردترین و سریعترین دسته‌بندی کننده‌ها در این حوزه بوده و آموزش آنان در سال‌های اخیر بسیار مورد توجه قرار گرفته است. الگوریتم‌های سنتی آموزش شبکه‌های عصبی، شامل روش‌های بازگشتی، گرادیان نزولی و نیوتن و ...، دارای نقص‌های عدیده‌ای همچون دقت نا‌مناسب، گیرافتادن در کمینه‌های محلی و سرعت همگرایی پایین است. اخیراً استفاده ترکیبی روش‌های فراابتکاری تعلیم شبکه‌های عصبی به منظور غلبه بر این نقایص پیشنهاد شده‌اند. در این مقاله، از دو الگوریتم جدید فراابتکاری برپایه تقلید از حیوانات سنجاقک و پروانه – شمع به منظور بهبود در آموزش شبکه‌های عصبی استفاده شده است. نتایج شبیه‌سازی روی داده‌های پایگاه داده‌های سجنوفسکی و Iris نشان می‌دهد که شبکه عصبی آموزش یافته شده با روش پروانه - شمع، توانسته است دقت دسته‌بندی اهداف واقعی سوناری را تا 88 درصد افزایش دهد که 30 درصد از الگوریتم‌های قبلی تعلیم بیشتر است.

Keywords

• دسته‌بندی دادگان
• اهداف سوناری
• شبکه عصبی پرسپترون چندلایه
• الگوریتم‌های فراابتکاری