دسته‌بندي دادگان سونار با استفاده از شبكه‌هاي عصبي تعليم يافته با الگوريتم‌هاي سنجاقك بهبود يافته و پروانه - شمع

يكي از زمينه‌هاي بسيار پيچيده در تحقيقات حوزه سونار، دسته‌بندي و تشخيص اكوي اهداف واقعي از كاذب در اين حوزه مي‌باشد. شبكه‌هاي عصبي پرسپترون چندلايه (MLP NN ) پركاربردترين و سريعترين دسته‌بندي كننده‌ها در اين حوزه بوده و آموزش آنان در سال‌هاي اخير بسيار مورد توجه قرار گرفته است. الگوريتم‌هاي سنتي آموزش شبكه‌هاي عصبي، شامل روش‌هاي بازگشتي، گراديان نزولي و نيوتن و ...، داراي نقص‌هاي عديده‌اي همچون دقت نا‌مناسب، گيرافتادن در كمينه‌هاي محلي و سرعت همگرايي پايين است. اخيراً استفاده تركيبي روش‌هاي فراابتكاري تعليم شبكه‌هاي عصبي به منظور غلبه بر اين نقايص پيشنهاد شده‌اند. در اين مقاله، از دو الگوريتم جديد فراابتكاري برپايه تقليد از حيوانات سنجاقك و پروانه – شمع به منظور بهبود در آموزش شبكه‌هاي عصبي استفاده شده است. نتايج شبيه‌سازي روي داده‌هاي پايگاه داده‌هاي سجنوفسكي و Iris نشان مي‌دهد كه شبكه عصبي آموزش يافته شده با روش پروانه - شمع، توانسته است دقت دسته‌بندي اهداف واقعي سوناري را تا 88 درصد افزايش دهد كه 30 درصد از الگوريتم‌هاي قبلي تعليم بيشتر است.