دسته بندی دادگان سونار با استفاده از شبکه های عصبی تعلیم یافته با الگوریتم های سنجاقک بهبود یافته و پروانه - شمع

یکی از زمینه های بسیار پیچیده در تحقیقات حوزه سونار، دسته بندی و تشخیص اکوی اهداف واقعی از کاذب در این حوزه می باشد. شبکه های عصبی پرسپترون چندلایه (MLP NN) پرکاربردترین و سریعترین دسته بندی کننده ها در این حوزه بوده و آموزش آنان در سال های اخیر بسیار مورد توجه قرار گرفته است. الگوریتم های سنتی آموزش شبکه های عصبی، شامل روش های بازگشتی، گرادیان نزولی و نیوتن و...، دارای نقص های عدیده ای همچون دقت نا مناسب، گیرافتادن در کمینه های محلی و سرعت همگرایی پایین است. اخیرا استفاده ترکیبی روش های فراابتکاری تعلیم شبکه های عصبی به منظور غلبه بر این نقایص پیشنهاد شده اند. در این مقاله، از دو الگوریتم جدید فراابتکاری برپایه تقلید از حیوانات سنجاقک و پروانه - شمع به منظور بهبود در آموزش شبکه های عصبی استفاده شده است. نتایج شبیه سازی روی داده های پایگاه داده های سجنوفسکی و Iris نشان می دهد که شبکه عصبی آموزش یافته شده با روش پروانه - شمع، توانسته است دقت دسته بندی اهداف واقعی سوناری را تا 88 درصد افزایش دهد که 30 درصد از الگوریتم های قبلی تعلیم بیشتر است.