تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها

امروزه دسته بندی داده ها بازشناسی الگو یکی از مبحثهای مورد توجه در علوم مختلف است. از اینرو دسته بندهای متفاوتی جهت انجام این امر ساخته ارایه شده است. از مهمترین ویژگیهای یک دسته بند، دقت بالا در پیش بینی تعیین دسته داده ها است. شبکه های عصبی یکی از انواع دسته بندهایی هست که میتواند دقت بالایی در مدل سازی فراهم کند. این به دلیل تراکنش سیگمویید غیرخطی در لایه های پنهان میباشد. از آن جهت استفاده از این شبکه ها در دسته بندی داده ها بسیار پرکاربرد است.یکی از چالشهای اصلی شبکه های عصبی مصنوعی (ANN)، نحوه به روز رسانی وزن های ANNدر هنگام آموزش است. استفاده از الگوریتمهای فرامکاشفه ای نظیر بهینه سازی ازدحام ذرات، برای رفع ضعف الگوریتم های مبتنی بر گرادیان، در سالیان اخیر بسیار مورد توجه قرار گرفته است. در همین راستا، در این مقاله، الگوریتم بهینه سازی دسته میگوها، برای یادگیری ANN، پیشنهاد شده است. در این روش، سه مولفه اصلی الگوریتم بهینه سازی دسته میگوها یعنی حرکت ایجاد شده بوسیله میگوهای دیگر، حرکت غذایابی پراکندگی تصادفی، وظیفه به روز سانی وزن های ANN را به عهده دارند. همچنین کارایی آن از طریق آموزش ANNهای پیشخور که برای دسته بندی استفاده میشوند، آزمایش شده است. نتایج آزمایشات گسترده بر روی مجموعه داده های UCI، عملکرد بهتر این روش را نسبت به روشهای قبلی نشان میدهد.

کلیدواژه ها:

الگوریتم دسته میگوها ، شبکه عصبی ، دسته بندی ، بهینه سازی ، فرامکاشفه ای