دسته‌بندي اهداف سوناري توسط الگوريتم بهينه‌ساز ازدحام ذرات با گروه‌هاي مستقل

Classification of Sonar Targets using Particle Swarm Optimization via Independent Groups

با توجه به اينكه دادگان سوناري داراي ابعاد بالا و بهينه‌هاي محلي زيادي مي‌باشند، دسته‌بندي‌كننده‌هاي متعارف توانايي دسته‌بندي مناسب اين‌گونه اهداف را ندارند. استفاده از تركيب بهينه‌ساز ازدحام ذرات (PSO) و شبكه‌هاي عصبي مصنوعي (ANN) يكي از راه‌حل‌هايي است كه در چند سال اخير براي غلبه بر اين مشكل موردتوجه قرار گرفته است. در كاربرد دادگان با ابعاد بالا، الگوريتم PSO داراي دو مشكل به دام افتادن در كمينه‌هاي محلي و نرخ همگرايي آهسته مي‌باشد. اين مقاله به‌منظور غلبه بر اين نقص و رسيدن به نرخ دسته‌بندي مناسب از يك روش فراابتكاري جديد به نام بهينه‌ساز ازدحام ذرات با گروه‌هاي مستقل (IGPSO) استفاده مي‌كند. اين الگوريتم با الهام‌گيري از تنوع افراد در تجمع پرندگان يا ازدحام حشرات، داراي توانايي‌هاي منحصربه‌فردي در دسته‌بندي دادگان ابعاد بالا (سونار) مي‌باشد. در ابتدا توانايي‌هاي IGPSO در كار با دادگان ابعاد بالا توسط 23 تابع آزمون شناخته‌شده به‌خوبي ارزيابي شده و نتايج به‌دست‌آمده با روش PSO و نمونه‌هاي بهبوديافته PSO مقايسه مي‌شوند. نتايج نشان مي‌دهد كه الگوريتم IGPSO قادر به ارائه نتايجي بسيار بهتر در يافتن كمينه كلي توابع، سرعت همگرايي و اجتناب از كمينه محلي در مقايسه با الگوريتم‌هاي معيار، مخصوصاً براي توابع با ابعاد بالا است. علاوه بر اين، در اين مقاله يك كاربرد واقعي از روش ارائه‌شده در زمينه دسته‌بندي دادگان سونار بيان مي‌شود. نتايج حاصله نشان مي‌دهد كه دسته‌بندي‌كننده طراحي‌شده با IGPSO دادگان سونار را با دقت 96.67% دسته‌بندي مي‌كند، اين در حالي است كه PSO دقت 92.33% را ارائه مي‌نمايد.

Due to the fact that sonar targets have high dimensions and local optimums, conventional classifiers do not have adequate ability to classify these targets. Using a combination of Particle Swarm Optimization (PSO) and Artificial Neural Networks (ANNs) is one of the solutions to overcome this problem. PSO has two drawbacks in high-dimensional datasets: being trapped in local minimums and slow convergence rate. To tackle these deficiencies, this paper uses a newly proposed meta-heuristic algorithm entitled Independent Group Particle Swarm Optimization (IGPSO). This algorithm is inspired by the diversity of individuals in the accumulation of birds or the swarm of insects. It has the unique ability to classify high-dimensional dataset (sonar). In order to test the capabilities of the IGPSO, the algorithm will be evaluated by 23 well-known test functions and the results are compared to PSO and improved versions of PSO. The results show that IGPSO is able to provide much better results in finding the global minimum of functions, convergence speed and local minima avoidance compared with other benchmark algorithms. The results show that the classifier which is designed with IGPSO classifies sonar dataset with accuracy about 96.67% while the accuracy of the PSO-classifier is about 92.33%.