طراحي مدل فازي پارامترهاي كنترلي الگوريتم شامپانزه جهت بازشناسي خودكار اهداف سوناري

استفاده روزافزون از روش‌هاي هوش مصنوعي در سامانه‌هاي بازشناسي خودكار اهداف در صنايع مختلف نظامي و غيرنظامي، سبب شده كه موضوع شناسايي و آشكارسازي خودكار اهداف به يكي از زمينه‌هاي مورد علاقه صنعتگران و فعالان در اين عرصه تبديل شود. در اين مقاله، در مرحله اول از يك شبكه عصبي تابعي پله‌اي شعاعي (RBF NN) تحت آموزش الگوريتم جديد بهينه‌سازي شامپانزه، به عنوان آشكارساز استفاده شده است. اما به دليل ابعاد بالاي دادگان سونار، الگوريتم قادر به تعيين مرز مشخصي بين فاز اكتشاف و استخراج نمي‌باشد. در مرحله دوم، جهت بر طرف كردن اين نقيصه، از استنتاج فازي به عنوان رويكردي نوين جهت توسعه و ارتقا الگوريتم شامپانزه در آموزش RBF NN استفاده شده است. استنتاج فازي با تنظيم پارامترهاي كنترلي الگوريتم شامپانزه قادر است بخوبي مرز بين دو فاز اكتشاف و استخراج را تعيين كند. به منظور سنجش عملكرد دسته‌بندي كننده طراحي شده، اين الگوريتم با الگوريتم‌هاي GWO،PSO ،ChOA ،ACO و GA مقايسه گرديد. معيارهاي مورد سنجش، سرعت همرايي، توانايي اجتناب از بهينه محلي و نرخ دسته‌بندي مي‌باشند. نتايج شبيه‌سازي حاكي از آن بود كه FChOA با نرخ دقت دسته‌بندي 97.42% در دادگان سوناري، نسبت به پنج الگوريتم‌ معيار ديگر نتايج بهتري را ارائه مي‌كند.