مقایسه بهینه سازهای کلاسیک و پیشرفته در ساختارهای مختلف شبکه عصبی چندلایه در طبقه بندی سیگنال های برانگیختگی مغز

هدف مقاله، طبقه بندی ویژگی های آماری و توانی فرمان های حرکتی مغز با ساختارهای مختلف شبکه عصبی قدرتمند پرسپترون و بررسی بهترین بهینه ساز جهت شبکه عصبی می باشد. تشخیص فرمان های حرکتی سیگنال های مغز یک مسأله طبقه بندی است. تبدیل ویولت گسسته برای استخراج ویژگی ها استفاده می شود. نتایج نشان می دهد شبکه پرسپترون در صورتی که داده های ورودی و تعداد پارامترهای بکار رفته در پردازش بسیار زیاد باشند استفاده از بهینه ساز ICA عملکرد بهتری را نسبت به بهینه ساز کلاسیک نشان خواهد داد. ولی زمان آموزش و یادگیری شبکه عصبی با این الگوریتم بسیار طولانی تر از روش LM می باشد.

کلیدواژه ها:

پتانسیل های حرکتی ، ویولت ، MLP ، DWT ، EEG