بهبود عملكرد طبقه‌بند شبكه عصبي چندجمله‌اي با استفاده از الگوريتم بهينه‌سازي نهنگ

شبكه عصبي چندجمله‌اي (PNN) يك الگوريتم يادگيري بانظارت و از محبوب‌ترين مدل‌هاي مورد استفاده در كاربردهاي واقعي است. هرچه شبكه عصبي چندجمله‌اي از نظر تعداد توصيفات جزئي (PDها) و لايه‌ها ساختار پيچيده‌تري داشته باشد، نياز به زمان و حجم بيشتري براي محاسبه و ذخيره‌سازي دارد. در اين تحقيق رويكرد جديدي در زمينه بهبود كارايي طبقه‌بند شبكه عصبي چندجمله‌اي با استفاده از الگوريتم بهينه‌سازي نهنگ (WOA) به نام PNN-WOA پيشنهاد شده كه علاوه بر افزايش دقت PNN، زمان و حجم محاسبات قابل تحملي دارد. در رويكرد پيشنهادي، PDها بر اساس تركيب دوبه‌دوي ويژگي‌ها از نمونه‌هاي آموزشي در لايه اول توليد مي‌شوند. مجموعه‌اي از PDهاي توليدشده در لايه اول، متغيرهاي ورودي و باياس، عصب‌هاي لايه دوم را تشكيل مي‌دهند. در نهايت خروجي شبكه عصبي چندجمله‌اي، توسط مجموع وزن‌دهي شده خروجي‌هاي لايه دوم به دست مي‌آيد. با استفاده از الگوريتم بهينه‌سازي نهنگ (WOA) بهترين بردار ضرايب وزن‌دهي به گونه‌اي كه شبكه PNN بيشترين دقت طبقه‌بندي را داشته باشد، به دست مي‌آيد. براي ارزيابي روش PNN-WOA از يازده مجموعه داده موجود در پايگاه داده UCI استفاده شد. نتايج نشان مي‌دهند كه PNN-WOA در مقايسه با روش‌هاي پيشين از قبيل PNN-RCGA، PNN-MOPPSO، RCPNN-PSO و S-TWSVM عملكرد مناسبي دارد. همچنين نتايج آزمون آماري فريدمن نشان مي‌دهند كه در مجموع، روش پيشنهادي PNN-WOA نسبت به ساير روش‌هاي مقايسه‌شده، از نظر آماري عملكرد بهتري (با مقدار P برابر 0.039) داشته است.