دسته بندی اهداف سوناری با استفاده از روش ترکیبی ازدحام ذرات و جستجوی گرانشی

با توجه به خصوصیات فیزیکی بسیار نزدیک اهداف واقعی و کلاتر سونار فعال، تفکیک این اهداف، از موضوعات چالش برانگیز محققان و صنعت گران حوزه آکوستیک می باشد. شبکه های عصبی چندلایه (MLP) یکی از پرکاربردترین شبکه های عصبی در دسته بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش های توسعه این نوع شبکه ها است که در سال های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش شبکه های MLP از دیر باز استفاده از روش های بازگشتی و گرادیان نزولی مرسوم بوده است. دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب روش های سنتی می باشد. به منظور غلبه بر این معایب، در سال های اخیر استفاده از الگوریتم های ابتکاری و فرا ابتکاری بسیار مرسوم گردیده است. این مقاله برای آموزش شبکه MLP از الگوریتم بهینه سازی ترکیبی ازدحام ذرات و جستجوی گرانشی ((PSOGSA استفاده می کند. الگوریتم جستجوی گرانشی (GSA) یک روش بهینه سازی فرا ابتکاری جدید بر اساس فعل و انفعالات گرانش و جرم می باشد. ثابت شده است که این الگوریتم توانایی خوبی برای جستجوی کلی دارد، اما در آخرین تکرارها دارای سرعت پایین در بهره برداری فضای جستجو می باشد. با توجه به توانایی منحصربه فرد بهینه ساز ازدحام ذرات (PSO) در فاز بهره برداری، از این روش برای حل مشکل فوق استفاده می شود. نتایج به دست آمده نشان می دهد که دسته بندی کننده های مبتنی بر GSA، PSO و PSOGSA دادگان سونار را به ترتیب با دقت 7500/92، 6741/93 و 42308/94 دسته بندی می نمایند. همچنین سرعت همگرایی الگوریتم ترکیبی نسبت به دو الگوریتم معیار ذکر شده بهتر می باشد.