بهبود عملکرد طبقه‌بند شبکه عصبی چندجمله‌ای با استفاده از الگوریتم بهینه‌سازی نهنگ

شبکه عصبی چندجمله‌ای (pnn) یک الگوریتم یادگیری بانظارت و از محبوب‌ترین مدل‌های مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجمله‌ای از نظر تعداد توصیفات جزئی (pdها) و لایه‌ها ساختار پیچیده‌تری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیره‌سازی دارد. در این تحقیق رویکرد جدیدی در زمینه بهبود کارایی طبقه‌بند شبکه عصبی چندجمله‌ای با استفاده از الگوریتم بهینه‌سازی نهنگ (woa) به نام pnn-woa پیشنهاد شده که علاوه بر افزایش دقت pnn، زمان و حجم محاسبات قابل تحملی دارد. در رویکرد پیشنهادی، pdها بر اساس ترکیب دوبه‌دوی ویژگی‌ها از نمونه‌های آموزشی در لایه اول تولید می‌شوند. مجموعه‌ای از pdهای تولیدشده در لایه اول، متغیرهای ورودی و بایاس، عصب‌های لایه دوم را تشکیل می‌دهند. در نهایت خروجی شبکه عصبی چندجمله‌ای، توسط مجموع وزن‌دهی شده خروجی‌های لایه دوم به دست می‌آید. با استفاده از الگوریتم بهینه‌سازی نهنگ (woa) بهترین بردار ضرایب وزن‌دهی به گونه‌ای که شبکه pnn بیشترین دقت طبقه‌بندی را داشته باشد، به دست می‌آید. برای ارزیابی روش pnn-woa از یازده مجموعه داده موجود در پایگاه داده uci استفاده شد. نتایج نشان می‌دهند که pnn-woa در مقایسه با روش‌های پیشین از قبیل pnn-rcga، pnn-moppso، rcpnn-pso و s-twsvm عملکرد مناسبی دارد. همچنین نتایج آزمون آماری فریدمن نشان می‌دهند که در مجموع، روش پیشنهادی pnn-woa نسبت به سایر روش‌های مقایسه‌شده، از نظر آماری عملکرد بهتری (با مقدار p برابر 0.039) داشته است.

performance improvement of polynomial neural network classifier using whale optimization algorithm

polynomial neural network (pnn) is a supervised learning algorithm which is one of the most popular models used in real applications. the architectural complexity of polynomial neural network in terms of both number of partial descriptions (pds) and number of layers, leads to more computation time and more storage space requirement. in general, it can be said that the architecture of the polynomial neural networks is very complex and it requires large memory and computation time. in this research, a novel approach has been proposed to improve the classification performance of a polynomial neural network using the whale optimization algorithm (pnnwoa). in this approach, the pds are generated at the first layer based on the combination of two features. the second layer nodes consists of pds generated in the first layer, input variables and bias. finally, the polynomial neural network output is obtained by sum of weighted values of the second layer outputs. using the whale optimization algorithm (woa), the best vector of weighting coefficients will be obtained in such a way that the pnn network reach to the highest classification accuracy. eleven different dataset from uci database has been used as input data of proposed pnnwoa and the results has been presented. the proposed method outperforms stateoftheart approaches such as pnnrcga, pnnmoppso, rcpnnpso and stwsvm in most cases. for datasets, an improvement of accuracy between 0.18% and 10.33% can be seen. also, the results of the friedman test indicate the statistical superiority of the proposed pnnwoa model compared to other methods with p value of 0.039.