دسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل

با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینه های محلی زیادی می باشند، دسته بندی کننده های متعارف توانایی دسته بندی مناسب این گونه اهداف را ندارند. استفاده از ترکیب بهینه ساز ازدحام ذرات (PSO) و شبکه های عصبی مصنوعی (ANN) یکی از راه حل هایی است که در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم PSO دارای دو مشکل به دام افتادن در کمینه های محلی و نرخ همگرایی آهسته می باشد. این مقاله به منظور غلبه بر این نقص و رسیدن به نرخ دسته بندی مناسب از یک روش فراابتکاری جدید به نام بهینه ساز ازدحام ذرات با گروه های مستقل (IGPSO) استفاده می کند. این الگوریتم با الهام گیری از تنوع افراد در تجمع پرندگان یا ازدحام حشرات، دارای توانایی های منحصربه فردی در دسته بندی دادگان ابعاد بالا (سونار) می باشد. در ابتدا توانایی های IGPSO در کار با دادگان ابعاد بالا توسط 23 تابع آزمون شناخته شده به خوبی ارزیابی شده و نتایج به دست آمده با روش PSO و نمونه های بهبودیافته PSO مقایسه می شوند. نتایج نشان می دهد که الگوریتم IGPSO قادر به ارائه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینه محلی در مقایسه با الگوریتم های معیار، مخصوصا برای توابع با ابعاد بالا است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارائه شده در زمینه دسته بندی دادگان سونار بیان می شود. نتایج حاصله نشان می دهد که دسته بندی کننده طراحی شده با IGPSO دادگان سونار را با دقت 67/96 % دسته بندی می کند، این در حالی است که PSO دقت 33/92 % را ارائه می نماید.