آموزش شبکه عصبی MLP در فشرده سازی تصاویر با استفاده از روش GSA

یکی از حوزه های تحقیقاتی مهم در پردازش تصویر، فشرده-سازی تصاویر است. تاکنون روش های مختلفی برای فشرده-سازی تصویر ارائه شده است، در این میان شبکه های عصبی مخاطبان زیادی را به خود جذب کرده اند. متداول ترین روش آموزشی شبکه های عصبی، روش پس انتشار خطاست که همگرایی کند و توقف در بهینه های محلی از مهمترین نقاط ضعف آن محسوب می شوند . رویکرد جدید محققین، استفاده از الگوریتم های ابتکاری در فرایند آموزش شبکه های عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوی گرانشی (GSA) معرفی می شود. روش جستجوی گرانشی آخرین و جدیدترین نسخه از انواع روش های جستجو و بهینه سازی هوش جمعی است. در این روش پاسخ های کاندید در فضای جستجو اجرامی هستند که توسط نیروی گرانش بر یکدیگر اثر گذاشته و موقعیتشان تغییر می کند. به تدریج اجرام با برازندگی بهتر دارای جرم بیشتری می شوند و بر اجرام دیگر تاثیر بیشتری می گذارند. در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می شود. ▪ نویسنده عهده دار مکاتبات ([e-mail]) برای ارزیابی کارایی فشرده ساز ارائه شده عملکرد آن با الگوریتم بهینه سازی گروه ذرات و روش متداول پس انتشار خطا در فشرده سازی چهار تصویر استاندارد مقایسه می شود. نتایج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکه های عصبی MLP می باشد.

کلیدواژه ها:

الگوریتم های ابتکاری ، الگوریتم جستجوی گرانشی ، شبکه عصبی چند لایه ، فشرده سازی تصویر