تشخیص و سرکوب کلاتر سونار فعال به وسیله طراحی فیلترهای مبتنی بر شبکه های عصبی تکاملی عمیق

به دلیل پیچیدگی فیزیکی و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، تشخیص اهداف سوناری تبدیل از دیگر اهداف به یکی از چالش برانگیز مسائل سالهای اخیر برای پژوهشگران در این حوزه شده است. یکی از کارآمدترین ابزار تشخیص اهداف، یادگیری عمیق و به طور خاص شبکه های عصبی عمیق کانولوشنی می باشند. علاوه بر اهمیت لایههای مختلف در معماری عمیق، از نحوه آموزش شبکه عصبی می توان به عنوان مهم ترین مشخصهای که دقت شبکه را تا حد زیادی کنترل می نماید نام برد. در سال های اخیر استفاده از الگوریتم های فراابتکاری جهت بهروزرسانی وزنها و بایاسها در شبکه های عصبی عمیق بسیار مرسوم گشته است. هرچند، بهبود عملکرد این الگوریمها جهت افزایش دقت شبکه عصبی نیز از اهمیت بالایی برخوردار است. الگوریتم گرگ خاکستری یک الگوریتم مبتنی بر هوش ذرات است که عملکرد بسیار خوبی را از خود در آموزش شبکه های عصبی ادراکی چندلایه نشان داده است. هدف این مقاله، ارائه یک الگوریتم گرگ خاکستری مقاوم و استفاده از آن برای آموزش شبکه عصبی موجود در معماری عمیق به منظور افزایش دقت تشخیص اهداف سوناری می باشد. به منظور درست نمایی نتایج، در این مقاله از سه دادگان با میزان پیچیدگی و اندازه مختلف برای شبیه سازی استفاده شده است. همچنین عملکرد الگوریتم ارائه شده در آموزش معماری عمیق با نتایج چند الگوریتم دیگر مقایسه می گردد. مقایسه نتایج شبیه سازی نشان می دهند که روش پیشنهادی در این مقاله، دارای دقت بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم های فراابتکاری مورد استفاده در این مقاله می باشد.

کلیدواژه ها:

کلاتر ، یادگیری عمیق ، تشخیص اهداف سوناری ، الگوریتم گرگ خاکستری مقاوم