استفاده از شبکه های عصبی تابعی پله ای شعاعی مبتنی بر الگوریتم جستجوی گرانشی با بهینه عمومی راهنما به منظور دسته بندی دادگان سونار

با توجه به خصوصیات فیزیکی بسیار مشابه اکوی اهداف واقعی و کاذب سونار فعال، طبقه بندی و تمیز دادن آن ها از یکدیگر به یکی از زمینه های دشوار و پیچیده برای محققان و صنعتگران این حوزه تبدیل شده است. شبکه های عصبی تابعی پله ای شعاعی (RBF NN) یکی از پرکاربردترین شبکه های عصبی مصنوعی در دسته بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش های توسعه این نوع شبکه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش RBF NN از دیر باز استفاده از روش های بازگشتی و گرادیان نزولی مرسوم بوده است. با این وجود، دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب روش های سنتی می باشد. در سال های اخیر استفاده از الگوریتم های ابتکاری و فرا ابتکاری به منظور غلبه بر این معایب بسیار مرسوم گردیده است. این مقاله برای آموزش RBF NN از الگوریتم جستجوی گرانشی با هدایت بهینه عمومی (LMGSA) به منظور غلبه بر نقص الگوریتم جستجوی گرانشی (GSA) در فاز بهره برداری، استفاده می کند. نتایج نشان می دهد که دسته بندی کننده طراحی شده در تمام زمینه ها نتایج بهتری نسبت به دسته بندی کننده های معیار ارائه می نماید. به منظور آزمودن دسته بندی کننده طراحی شده، این الگوریتم با الگوریتم های GSA، گرادیان نزولی (GD)، فیلتر کالمن (KF)، فیلتر کالمن تفکیک شده (DKF) و الگوریتم ژنتیک (GA) توسط سه مجموعه دادگان سنجیده می شود. معیار های مورد سنجش عبارتند از: سرعت همگرایی، احتمال گیر افتادن در کمینه های محلی و دقت دسته بندی. در پایان نیز به عنوان یک کاربرد عملی دادگان سونار توسط این شبکه دسته بندی می شوند.

کلیدواژه ها:

دسته بندی ، دادگان سونار ، تابعی پایه ای شعاعی ، الگوریتم جستجوی گرانشی تطبیقی با هدایت بهینه عمومی