دسته‌بندی داده‌های سوناری با استفاده از شبکه عصبی ادراکی چند لایه آموزش دیده شده با الگوریتم بهینه‌سازی تعدیل شده مبتنی بر جغرافیای زیستی

با توجه به پیچیدگی فیزیکی اهداف سوناری و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، دسته‌بندی آن‌ها یکی از مسایل چالش‌برانگیز برای پژوهشگران و صنعت‌گران این حوزه است. شبکه‌های عصبی چند لایه، یکی از پرکاربردترین ابزار در دسته‌بندی اهداف واقعی می‌باشند. می‌توان از آموزش به عنوان مهم‌ترین بخش این شبکه‌ها اشاره نمود. در سال‌های اخیر استفاده از الگوریتم‌های تکاملی برای آموزش این نوع شبکه‌ها بسیار مرسوم گشته است. هدف این مقاله، استفاده از الگوریتم بهینه شده مبتنی بر جغرافیای زیستی با نرخ مهاجرت تعدیل شده، برای آموزش شبکه‌های عصبی چند­لایه به منظور دسته‌بندی اهداف سوناری می‌باشد. قدرت اکتشاف و بهره‌برداری نسبی کم، از جمله ضعف‌‌های الگوریتم استاندارد بهینه‌سازی مبتنی بر جغرافیای زیستی است. مهاجرت، جهش و نخبه‌گرایی، سه عملگر اصلی این الگوریتم می‌باشند. عملگر مهاجرت مهم‌ترین نقش را (به اشتراک گذاشتن اطلاعت) در این الگوریتم ایفا می‌کند. این مقاله نوع جدیدی از عملگر مهاجرت را برای الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی ارائه می‌دهد، به‌طوری که هر زیستگاه اطلاعات را با روشی متفاوت و به صورت تعدیل شده، از دیگر زیستگاه‌ها می‌پذیرد. شبیه‌سازی و مقایسه نتایج نشان می‌دهند که روش پیشنهادی در این مقاله، دارای دقت دسته‌بندی بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم‌های تکاملی از جمله الگوریتم استاندارد بهینه‌سازی مبتنی بر جغرافیای زیستی می‌باشد.