عنوان مقاله :
طراحي و پياده‌سازي يك دسته‌بندي كننده دادگان سوناري مبتني بر شبكه عصبي ادراكي چندلايه آموزش ديده شده با الگوريتم بهينه‌سازي گروهي فيل‌ها
عنوان به زبان ديگر :
Design and Implementation a Sonar Data Set Classifier using Multi-Layer Perceptron Neural Network Trained by Elephant Herding Optimization
پديد آورندگان :
موسوي، محمدرضا دانشگاه علم و صنعت ايران - دانشكده مهندسي برق , كاوه، مسعود دانشگاه علم و صنعت ايران - دانشكده مهندسي برق , خويشه، محمد دانشگاه علم و صنعت ايران - دانشكده مهندسي برق , آقابابايي، مجيد دانشگاه علوم دريايي امام خميني (ره) نوشهر - دانشكده مهندسي برق
كليدواژه :
سونار , آموزش شبكه عصبي , دسته بندي اهداف سوناري , الگوريتم بهينه‌سازي گروهي فيل‌ها , FPGA
چكيده فارسي :
دسته‌بندي اهداف سوناري به‌دليل پيچيدگي فيزيكي و شباهت بسيار زياد كلاتر با اهداف واقعي در سونار فعال، يكي از مسايل چالش‌برانگيز براي پژوهشگران اين حوزه است. شبكه‌هاي عصبي ادراكي چندلايه، يكي از كارآمدترين ابزار در دسته‌بندي اهداف مي‌باشند. از آموزش مي‌توان به عنوان مهم‌ترين بخش اين شبكه‌ها اشاره نمود كه دقت دسته‌بندي را تا حد زيادي كنترل مي‌نمايد. در سال‌هاي اخير استفاده از الگوريتم‌هاي فراابتكاري براي آموزش اين نوع شبكه‌ها بسيار مرسوم گشته است. هدف اين مقاله، استفاده از الگوريتم بهينه‌سازي گروهي فيل‌ها، براي آموزش شبكه عصبي ادراكي چندلايه به منظور دسته‌بندي اهداف سوناري مي‌باشد. در طبيعت فيل‌ها به‌صورت قبيله‌اي زندگي كرده و در هر قبيله يك فيل به‌عنوان رهبر، مسوليت رهبري گروه را بر عهده دارد. همچنين فيل‌هاي نر نيز بعد از بزرگ شدن، خانواده خود را ترك مي‌نمايند. اين دو رفتار مي‌تواند با دو عملگر: به‌روزرساني قبيله و جدايي، مدل شود. در اين الگوريتم، هر فيل مي‌تواند با توجه به جايگاه فعلي خود به‌روز شده و با استفاده از عملگر جدايي، ميزان تنوع در جمعيت را بهبود بخشد. به‌منظور درست‌نمايي نتايج، در اين مقاله از سه دادگان با ميزان پيچيدگي و اندازه مختلف براي شبيه‌سازي استفاده شده است. همچنين عملكرد الگوريتم بهينه‌سازي گروهي فيل‌ها در آموزش شبكه عصبي با نتايج چند الگوريتم ديگر مقايسه مي‌گردد. مقايسه نتايج شبيه‌سازي نشان مي‌دهند كه روش پيشنهادي در اين مقاله، داراي دقت دسته‌بندي بالاتر و سرعت همگرايي بيشتر نسبت به ديگر الگوريتم‌هاي فراابتكاري مورد استفاده در اين مقاله مي‌باشد. همچنين اين مقاله يك راه‌كار براي پياده‌سازي سخت‌افزاري دسته‌بندي كننده پيشنهادي بر روي تراشه FPGA پيشنهاد مي‌نمايد.
چكيده لاتين :
Due to the high-dimension of the sonar dataset, classification of them is a very complex task. Multi-Layer Perceptron Neural Network (MLP NN) is one of the most applicable tools in solving complicated problems as well as classifying between target and non-target in sonar applications. In this paper, a new kind of swarm-based metaheuristic search method, called Elephant Herding Optimization (EHO), is proposed for training the NN. The EHO method is inspired by the herding behavior of elephant group. In nature, the elephants belonging to different clans live together under the leadership of a matriarch, and the male elephants will leave their family group when they grow up. These two behaviors can be modelled into two following operators: clan updating operator and separating operator. The simulation results show that the new classifier performs better than the other benchmark algorithms and also original BBO in terms of avoidance trapping in local optima, classification accuracy, and convergence speed. This paper also implements the designed classifier on the FPGA substrate for testing the real-time application of the proposed method.
