تشخیص و سرکوب کلاتر سونار فعال به وسیله طراحی فیلترهای مبتنی بر شبکه‌های عصبی تکاملی عمیق

به ‌دلیل پیچیدگی فیزیکی و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، تشخیص اهداف سوناری تبدیل از دیگر اهداف به یکی از چالش ‌برانگیز مسائل سالهای اخیر برای پژوهشگران در این حوزه شده است. یکی از کارآمدترین ابزار تشخیص اهداف، یادگیری عمیق و به طور خاص شبکه‌های عصبی عمیق کانولوشنی می‌باشند. علاوه بر اهمیت لایه های مختلف در معماری عمیق، از نحوه آموزش شبکه عصبی می‌توان به عنوان مهم‌ترین مشخصهای که دقت شبکه را تا حد زیادی کنترل می‌نماید نام برد. در سال‌های اخیر استفاده از الگوریتم‌های فراابتکاری جهت بهروزرسانی وزنها و بایاسها در شبکه‌های عصبی عمیق بسیار مرسوم گشته است. هرچند، بهبود عملکرد این الگوریمها جهت افزایش دقت شبکه عصبی نیز از اهمیت بالایی برخوردار است. الگوریتم گرگ خاکستری یک الگوریتم مبتنی بر هوش ذرات است که عملکرد بسیار خوبی را از خود در آموزش شبکه‌های عصبی ادراکی چندلایه نشان داده است. هدف این مقاله، ارائه یک الگوریتم گرگ خاکستری مقاوم و استفاده از آن برای آموزش شبکه عصبی موجود در معماری عمیق به منظور افزایش دقت تشخیص اهداف سوناری می‌باشد. ‌به منظور درست‌نمایی نتایج، در این مقاله از سه دادگان با میزان پیچیدگی و اندازه مختلف برای شبیه‌سازی استفاده شده است. همچنین عملکرد الگوریتم ارائه‌شده در آموزش معماری عمیق با نتایج چند الگوریتم دیگر مقایسه می‌گردد. مقایسه نتایج شبیه‌سازی نشان می‌دهند که روش پیشنهادی در این مقاله، دارای دقت بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم‌های فراابتکاری مورد استفاده در این مقاله می‌باشد.