دسته‌بندی دادگان سونار با استفاده از شبکه‌های عصبی تعلیم یافته با الگوریتم‌های سنجاقک بهبود یافته و پروانه - شمع

یکی از زمینه‌های بسیار پیچیده در تحقیقات حوزه سونار، دسته‌بندی و تشخیص اکوی اهداف واقعی از کاذب در این حوزه می‌باشد. شبکه‌های عصبی پرسپترون چندلایه (mlp nn ) پرکاربردترین و سریعترین دسته‌بندی کننده‌ها در این حوزه بوده و آموزش آنان در سال‌های اخیر بسیار مورد توجه قرار گرفته است. الگوریتم‌های سنتی آموزش شبکه‌های عصبی، شامل روش‌های بازگشتی، گرادیان نزولی و نیوتن و ...، دارای نقص‌های عدیده‌ای همچون دقت نا‌مناسب، گیرافتادن در کمینه‌های محلی و سرعت همگرایی پایین است. اخیراً استفاده ترکیبی روش‌های فراابتکاری تعلیم شبکه‌های عصبی به منظور غلبه بر این نقایص پیشنهاد شده‌اند. در این مقاله، از دو الگوریتم جدید فراابتکاری برپایه تقلید از حیوانات سنجاقک و پروانه – شمع به منظور بهبود در آموزش شبکه‌های عصبی استفاده شده است. نتایج شبیه‌سازی روی داده‌های پایگاه داده‌های سجنوفسکی و iris نشان می‌دهد که شبکه عصبی آموزش یافته شده با روش پروانه - شمع، توانسته است دقت دسته‌بندی اهداف واقعی سوناری را تا 88 درصد افزایش دهد که 30 درصد از الگوریتم‌های قبلی تعلیم بیشتر است.

sonar dataset classification using multi-layer perceptron neural network based on dragonfly and moth algorithms

one of the most complex areas of sonar research is the classification and recognition of the real target from the liar. multi-layer perceptron neural networks (nns) are the most popular and fastest classifier in this area. train of these networks in remarkable in recent years. classical algorithms for the training of nns include: recursive methods, gradient descent, and newton, etc. some disadvantages of these methods are improper accuracy, trapping in local optimum, and low convergence rate. in recent years, metaheuristic algorithms combined for the training of nns are proposed for dominating these defects. in this paper, two new meta-heuristic algorithms are used based on mimicking from animals (dragonfly and moth) for the training of nns. simulated results on iris and sejnowski datasets are shown moth–flame classification rate is 88% and has 30% improvement rather than old methods.