دسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل

با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینه های محلی زیادی می باشند، دسته بندی کننده های متعارف توانایی دسته بندیمناسب اینگونه اهداف را ندارند. استفاده از ترکیب بهینه ساز ازدحام ذرات (PSO) و شبکه های عصبی مصنوعی (ANN) یکی از راه حل هایی استکه در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم PSO دارای دو مشکل به دامافتادن در کمینه های محلی و نرخ همگرایی آهسته می باشد. این مقاله به منظور غلبه بر این نقص و رسیدن به نرخ دسته بندی مناسب از یک روشفرابتکاری جدید به نام بهینه ساز ازدحام ذرات با گروه های مستقل (IGPSO) استفاده می کند. این الگوریتم با الهام گیری از تنوع افراد در تجمعپرندگان یا ازدحام حشرات، دارای توانایی های منحصربه فردی در دسته بندی دادگان ابعاد بالا (سونار) می باشد. در ابتدا توانایی های IGPSO در کاربا دادگان ابعاد بالا توسط 23 تابع آزمون شناخته شده به خوبی ارزیابی شده و نتایج به دست آمده با روش PSO و نمونه های بهبود یافته PSO مقایسهمی شوند. نتایج نشان می دهد که الگوریتم IGPSO قادر به ارایه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینهمحلی در مقایسه با الگوریتم های معیار، مخصوصا برای توابع با ابعاد بالا است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارایه شده درزمینه دسته بندی دادگان سونار بیان می شود. نتایج حاصله نشان می دهد که دسته بندی کننده طراحی شده با IGPSO دادگان سونار را با دقت96/67% دسته بندی می کند، این در حالی است که PSO دقت 92/33% را ارایه می نماید.

Keywords:

سونار , دسته بندی , گروه های مستقل ذرات , شبکه های عصبی