طراحی سامانه سوناری با قابلیت دسته بندی اهداف فعال و غیرفعال آکوستیکی مبتنی بر شبکه ی عصبی فراابتکاری

با توجه به اهمیت تعیین ماهیت اهداف سوناری در نبردهای دریایی، این مقاله به طراحی سامانه ای باقابلیت دسته بندی اهداف سوناری فعال و غیرفعال با استفاده از شبکه های عصبی پرسپترون چندلایه می پردازد. با توجه به نواقص پرسپترون های چندلایه در کار با داده های دنیای واقعی، این مقاله یک الگوریتم فرا ابتکاری جدید بانام بهینه ساز ازدحام ذرات با گروهای آشفته (CGPSO) را ارایه می دهد. این الگوریتم با استفاده از گروه های مجزای جستجو و همچنین نقشه های آشفته فضای جستجو را بهتر و سریع تر اکتشاف می کند. به منظور ارزیابی سامانه طراحی شده، یک مجموعه داده سوناری مرجع، یک مجموعه داده آزمایشگاهی غیرفعال و یک مجموعه داده واقعی فعال توسعه داده شد. به منظور داشتن یک مقایسه جامع سامانه طراحی شده با بهینه سازهای معیار ازدحام ذرات (PSO)، جغرافیایی زیستی (BBO) و گرگ خاکستری (GWO) ازنظر سرعت همگرایی، دقت دسته بندی و قابلیت اعتماد مقایسه شد که سامانه طراحی شده نسبت به بهترین دسته بندی کننده موجود، به طور میانگین 33/2 درصد دقیق تر عمل کرد.