استفاده از شبکه های عصبی تابعی پله ای شعاعی مبتنی بر الگوریتم جستجوی گرانشی با بهینه عمومی راهنما به منظور دسته بندی دادگان سونار
Publish place: Electronic and cyber defense، Vol: 4، Issue: 2
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 235
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PADSA-4-2_004
تاریخ نمایه سازی: 23 اردیبهشت 1400
Abstract:
با توجه به خصوصیات فیزیکی بسیار مشابه اکوی اهداف واقعی و کاذب سونار فعال، طبقه بندی و تمیز دادن آن ها از یکدیگر به یکی از زمینه های دشوار و پیچیده برای محققان و صنعتگران این حوزه تبدیل شده است. شبکه های عصبی تابعی پله ای شعاعی (RBF NN) یکی از پرکاربردترین شبکه های عصبی مصنوعی در دسته بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش های توسعه این نوع شبکه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش RBF NN از دیر باز استفاده از روش های بازگشتی و گرادیان نزولی مرسوم بوده است. با این وجود، دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب روش های سنتی می باشد. در سال های اخیر استفاده از الگوریتم های ابتکاری و فرا ابتکاری به منظور غلبه بر این معایب بسیار مرسوم گردیده است. این مقاله برای آموزش RBF NN از الگوریتم جستجوی گرانشی با هدایت بهینه عمومی (LMGSA) به منظور غلبه بر نقص الگوریتم جستجوی گرانشی (GSA) در فاز بهره برداری، استفاده می کند. نتایج نشان می دهد که دسته بندی کننده طراحی شده در تمام زمینه ها نتایج بهتری نسبت به دسته بندی کننده های معیار ارائه می نماید. به منظور آزمودن دسته بندی کننده طراحی شده، این الگوریتم با الگوریتم های GSA، گرادیان نزولی (GD)، فیلتر کالمن (KF)، فیلتر کالمن تفکیک شده (DKF) و الگوریتم ژنتیک (GA) توسط سه مجموعه دادگان سنجیده می شود. معیار های مورد سنجش عبارتند از: سرعت همگرایی، احتمال گیر افتادن در کمینه های محلی و دقت دسته بندی. در پایان نیز به عنوان یک کاربرد عملی دادگان سونار توسط این شبکه دسته بندی می شوند.
Keywords:
Authors
سید محمد رضا موسوی
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
محمد خویشه
دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :