مهدیه ایزدپناه کاخک - دانشجوی دکتری برق الکترونیک - دانشگاه بیرجند بیرجند، ایران
زینب ظهیری - دانشکده فنی گروه برق الکترونیک دانشگاه آزاد اسلامی واحد آباده ، گروه برق آباده ، ایران
هانیه زمانیان - دانشجوی دکتری برق مخابرات - دانشگاه بیرجند بیرجند، ایران

تاکنون شیوه های مختلفی برای طبقه بندی داده ارائه شده است. از این میان می توان به استفاده از شبکه های عصبی مختلف اشاره کرد که بسیار مورد توجه واقع گردیده اند و در صورت طراحی مناسب آن ها می توان طبقه بندی با حداقل خطا را داشت؛ در صورتی که این مهم با استفاده از الگوریتم های بهینه سازی ابتکاری در فرایند آموزش شبکه های عصبی محقق شود، اثر همگرایی کند و توقف در نقاط بهینه محلی نسبت به روش های دیگر آموزش مانند روش پس انتشار خطا، کم می شود. در این مقاله با استفاده از روش ACO پیوسته یک شبکه عصبی MLP به منظور یافتن ابر صفحه های لازم برای جداسازی سه مجموعه داده مرجع آموزش داده و نتایج آن با آموزش به روش پس انتشار خطا مقایسه شده است. همچنین برای صحت عملکرد روش، میانگین مربعات خطا نیز محاسبه شده است.

الگوریتم های ابتکاری؛ الگوریتم جامعه مورچگان پیوسته؛ بهینه سازی؛ شبکه عصبی؛ طبقه بند