یک الگوریتم جدید برای آموزش شبکه‌های عصبی بر مبنای ترکیب کلونی و زنبورهای مصنوعی و مشتقگیری خطا

فرایند آموزش شبکه‌های عصبی برای یافتن وزن‌های ببینه که حداکثر صحت طبقه‌بندی را حاصل کند همیشه به عنوان یک مسئله مهم در سیستم‌های تشخیص الگو مطرح بوده است. الگوریتم یادگیری گوناگونی برای آموزش شبکه‌های عصبی ارائه شده‌اند که متداول‌ترین آن‌ها الگوریتم پس انتشار خطا می‌باشد. این الگوریتم مبتنی بر مشتق گیری است و متأسفانه اغلب در دام مینیمم های محل این گرفتار شده و ناکارآمدی خود را در تعیین پارامترهای شبکه عصبی نشان داده است. اخیراً الگوریتم کلنی زنبورهای مصنوعی به عنوان الگوریتم یادگیری برای آموزش شبکه‌های عصبی به کار رفته است. الگوریتم کلنی زنبور قادر است فضای مسئله را به طور مؤثری جستجو نمود و به راحتی از مینیمم های محلی رهایی یابد اما هزینه‌های محاسباتی آن از الگوریتم پس انتشار خطا بیشتر می‌باشد. در این مقاله روش ترکیبی برای بهبود عملکرد الگوریتم کلونی زنبور ارائه شده است که از مشتق گیری خطل برای راهنمایی جستجوی زنبورها کمک می‌گیرد. روش پیشنهادی علاوه بر دارا بودن مزایای الگوریتم کلونی زنبور قادر است تا به محدودیت‌هایی که در تکنیک‌های مبتنی بر مشتق گیری وجود دارد چیره شود. در انتها کارایی الگوریتم ارائه شده با هر دو الگوریتم فوق، مقایسه شده و ثابت می‌شود که روش پیشنهادی سرعت هم‌گرایی و نیز دقت الگوریتم کلونی زبور را به طور چشمگیری بهبود می‌بخشد.

کلیدواژه ها:

الگوریتم پس انتشار خطا ، الگوریتم کلونی زنبور های مصنوعی ، مشتق گیری خطا ، یادگیری ، شبکه‌های عصبی